标签
探讨一个35B参数模型是否能够通过在测试时扩展其搜索视界来超越1000B模型，使用结构化过程反馈而非蛮力参数扩展。
这篇来自斯坦福、伯克利和NVIDIA的论文提出了LLM-as-a-Verifier，一个利用token logits进行连续评分的通用验证框架。它在包括Terminal-Bench V2（86.5%）和SWE-Bench Verified（78.2%）在内的多个基准上达到了SOTA，并提供了可以加速强化学习训练的细粒度信号。
一个5M参数的模型通过使用连续潜空间测试时计算，在困难逻辑谜题上以极低的推理成本超越了前沿LLM。
关于测试时计算中动态工作流的讨论，包括其有限的用例、对研究实验的好处，以及对更好基准测试的需求。提及了用于智能体编排的模型如Mythos和Opus 4.8。
这篇文章讨论了已确认的研究发现：基于验证器的测试时计算扩展主导无验证器方法，并以Apodex等实际例子展示了分离验证过程带来的收益。它认为构建独立验证器是未来AI能力提升的关键路径。
本文讨论了AI智能体系统中‘循环’的兴起，即智能体持续提示其他智能体执行任务，这被视为超越简单智能体使用的重要一步。Claude Code的Boris Cherny在Meta的@Scale大会上支持这一方法。
本文介绍了 LoopCoder-v2，一个 7B 代码模型，该模型从单次重新思考循环中获益最大；额外的循环会降低性能，挑战了‘更多测试时计算总是有帮助’的假设。
关于AI推理模型的经济性和性能影响的分析，表明启用推理可以将准确率提高10-20%，但消耗的token数量增加5-10倍，并讨论了不同的推理类型及其应用。
深度回顾推理模型从2022年CoT到2024年o1/R1的四年演变，指出真正的分水岭不是推理能力的涌现，而是将推理转化为可计费、可调度的资源。
本文系统研究了推理时计算（token预算、上下文压缩、重复提交）如何影响前沿LLM在具有挑战性的基准上的性能，表明得分是协议相关的，并提倡评估应将能力表示为推理计算的函数。
本文描述了一个脚手架（scaffold），它通过在 Qwen-3.6-27B 和 Gemma-4-31B 上使用迭代修正和分支探索来扩展测试时计算，从而在代码优化方面超越 Claude Mythos。文中附有论文链接和 GitHub 仓库地址。
解读 OpenAI 研究员 Noam Brown 的观点：LLM 的真实能力天花板远高于当前基准测试显示的水平，因为 test-time compute 投入不足，而更强的模型从额外计算中获益更大。这对 AI 安全评估提出了严峻挑战，因为许多危险能力可能只在长时间、高计算预算下才显现。
本文认为，LLM基准测试性能越来越依赖于测试时的计算量，而当前的评估方法在控制推理预算时无法捕捉到能力的提升。它主张绘制性能与token数、成本或时间的关系图，并讨论了对安全评估的影响。
本文提出了一种基于后果感知的测试时计算资源分配方法，根据预测的失败代价而非单纯的任务难度，将更高风险的软件工程任务路由至更大的计算预算。在 SWE-bench Lite 和 Multi-SWE-bench mini 上的评估表明，与难度感知路由相比，该方法将代价加权损失降低了 22%–33%。
This paper introduces a prefix-level trajectory evaluation protocol to distinguish harmful overthinking from verbose but harmless overthinking in large reasoning models, showing that continued reasoning after reaching the correct answer can destabilize performance. The authors find that early stopping improves accuracy by up to 21% on multimodal benchmarks, and identify logical drift and visual reinterpretation as key causes of correctness deviations.
FineVerify是一个针对智能搜索的自我验证框架，它将问题分解为子问题，验证采样候选，并选择最佳候选，在多个基准测试上取得了相对于基线的显著准确率提升，包括使GPT-5-mini在BrowseComp-Plus上超越GPT-5。
一篇批评文章指出，在人类生成的数据上训练LLM限制了它们通过测试时计算发现新颖解决方案的能力，而真正的AGI需要模型能够像AlphaZero那样更广泛地探索假设空间。
论文《Generative Recursive Reasoning》提出了一种方法，通过并行采样多个潜在推理轨迹来扩展测试时计算，使模型能够探索多样化的假设并避免确定性坍缩。该方法在数独、ARC AGI、N皇后和图形着色等任务上提升了性能，还可以从头生成有效的数独棋盘和MNIST数字。
Equilibrium Reasoners (EqR) 提出了一种新颖的可扩展推理框架，通过在潜在动态系统中学习任务条件吸引子，展开多达 40,000 层，在 Sudoku-Extreme 上实现了超过 99% 的准确率。