场景：投票问题。
https://arxiv.org/abs/2509.06870
使用自监督RL训练摘要问题：
让模型自己给自己打分
TTRL问题：
https://arxiv.org/abs/2504.05812 ：最小化熵奖励（本研究中，我们提出了熵最小化策略优化（\ours），它早期尝试完全无监督的LLM推理激励。通过在潜在语义空间中持续最小化LLMs在无标签问题上的预测熵）
https://arxiv.org/abs/2504.16084： 多数投票
https://arxiv.org/abs/2505.19590 ： 使用模型信心来计算奖励：利用对生成序列中每个 token 的 KL 散度取平均值”：
奖励虚假问题：https://arxiv.org/abs/2506.10947
利用投票来训练投票。
可行性分析：只需要改一个奖励；改一个数据集就好了，然后分析badcase，训练，即可