猜测-思考-回答（Guess–Think–Answer，GTA）是由 vivo AI Lab 算法团队于 2025 年 9 月提出的，相关研究成果发表于论文「GTA: Supervised-Guided Reinforcement Learning for Text Classification with Large Language Models」。

GTA 框架的工作原理是：首先让模型生成一个初步猜测（通过交叉熵损失优化），然后对这一猜测进行反思，再生成最终答案，同时利用强化学习（RL）奖励来塑造最终输出和整个 GTA 结构的格式。该框架通过 RL 使模型能够自发地学习有效的推理模式，从而消除了对推理链进行人工标注的需求，在统一训练范式下结合了监督微调（SFT）的效率与 RL 的能力提升。