标签
本文提出了 Inherit-MAS，一个面向 LLM 多智能体系统的测试时演化框架，将工作流继承与执行继承显式化，利用元模型合成工作流并借助评审器对其进行优化。在使用 GPT-4o-mini 和 Qwen3-32B 作为执行智能体的情况下，该方法在 WorkBench 和 HotpotQA 上均优于 EvoAgent、EvoMAS 和 TacoMAS，同时将执行智能体的 token 消耗最多降低 34.6%。
本文介绍了FlyBy，一种选择性查询框架，用于训练小型推理模型诊断知识瓶颈并查询更强模型，以在降低服务成本的同时提升在难题上的推理性能。
本文提出了一种控制神经网络中循环动态的方法，以实现可靠的测试时深度，分析了稳定、边际或漂移等动态机制，以提高算法任务如数独和进位传播的性能。
分层视觉-语言-动作模型通过世界模型引导的测试时搜索扩展计算，用于高级子任务决策，从而提升长期机器人操作的性能。
本文深入解释了大模型推理强度（reasoning effort）的原理：同一模型通过调节推理强度（low/medium/high），在输出最终答案前允许更多中间推理轨迹（串行自回归计算），从而在答案质量、响应速度和计算成本之间做出取舍。关键在于模型学会了将更长的生成过程组织成有效计算，而非简单增加参数或网络层数。
介绍深度熵引导采样（DEGS），一种无需训练、测试时的方法，利用大语言模型中逐层熵崩塌来改善推理能力，无需强化学习训练，达到与RL后训练模型相竞争的结果。
本文介绍了LoopCoder-v2，一个70亿参数的并行循环变换器系列，用于代码生成，并研究了最优循环次数，发现两个循环能带来显著提升，而更多循环则会导致性能下降。
本文提出了测试时个性化（TTP），这是一种通过候选采样和基于奖励的选择来扩展推理时计算，从而提升大语言模型（LLM）个性化能力的框架。该研究诊断了标准奖励模型中的失效模式，并提出了一种概率个性化奖励模型以缓解这些问题。
本文介绍了 PaT（试错后规划），这是一种用于代码生成的自适应测试时计算策略，在保持与更大模型相当的性能的同时，将推理成本降低了约 69%。
本文介绍了“前缀一致性”这一方法，它根据思维链推理中痕迹再生成时的答案重现率对候选响应进行加权。该方法在各种推理模型和基准测试中，以显著少于标准多数投票的令牌数实现了高准确率。