标签
论文提出了智能体世界建模（AWM），通过只读接口与真实环境交互式地获取证据，以模拟动作结果，实现无需环境副本的并行智能体测试时扩展，在 τ-bench、AppWorld 和 OfficeBench 上显著优于单次模拟与训练式世界模型基线。
SelfMorph 让冻结的大模型在推理时根据输入自适应选择内部计算拓扑（原始前向、层重复、局部并行分支），通过轻量选择器统一管理这些计算形态，在多个基准上取得显著提升，提出测试时扩展的新维度。
Rubricon 是 Handshake AI 推出的一套流水线，无需人工标注或微调，即可自动生成并优化用于大语言模型评估和后训练的判别式评分标准。与以往的合成方法相比，其与专家评分标准的一致性提高了 9%；在训练 Qwen3.5-9B 时，HealthBench 性能提升了 4.5%。
LARC 为统一多模态模型引入了一种连续空间中的潜在推理框架，以连续隐藏状态推理取代离散词元推理，从而提升图像生成质量并支持测试时扩展，在 GenEval 上的表现比 BAGEL 提升了 7%。
该论文将多重重要性采样(MIS)引入引导式推测推理(GSI)框架，使用多个小型大语言模型作为草稿提案模型并由大型模型与过程奖励模型验证，证明了平衡启发式的最优性，并给出KL散度与奖励退化的新界。
MLE-World：一个基于 Qwen3.5-4B 微调的世界模型，无需执行即可预测机器学习实验结果（错误堆栈、日志、验证分数），使 AI 研究智能体能够以低成本进行测试时扩展。它在 77.9% 的留出程序上与真实终端输出一致，并在 MLE-bench Lite 任务上将平均性能提升最高达 22.1%。
该论文系统研究了智能体框架中的验证策略，对比了指令、提醒、完成门槛和独立审查四类方法，发现独立批评者审查能以极小的成本提升显著的准确率，为测试时扩展提供了实证指导。
TEX 是一个基于执行交叉验证的协作式测试时扩展框架，多个智能体并行生成测试与补丁并交叉执行形成反馈矩阵，在 SWT-Bench Verified 上达到 86.4% 的新 SOTA，比单智能体基线提升 9.0%。
提出Uncertainty-Aware Allocation (UAA)框架，通过兄弟节点语义分散度估计不确定性来动态分配LLM树搜索的每步扩展预算，在保持精度的同时将token使用量减少最多90%、延迟降低最多9倍，且可跨四种树搜索算法和开源/闭源模型泛化。
提出了Harness-Delta Attribution（HDA）评估协议，将agent harness演化带来的性能增益分解为过拟合、测试时计算扩展和可泛化改进三部分。研究发现，在11个executor模型和3个框架中，过拟合与测试时扩展平均分别解释了54%和14%的增益，且搜索集上的收益往往无法迁移到held-out任务。
ATEST：面向大语言模型推理的自适应资源感知测试时缩放提出了一种资源感知的测试时缩放框架，联合考虑额外采样的预期价值与当前 GPU 成本，在 GPU 负载变化下动态决定采样何时停止，从而在满足能耗预算的同时保持准确率，并显著减少 GPU 时间与能耗。
SHELDON 是一个科学推理框架，通过在假设空间和观测空间中进行联合且独立的搜索来提升 LLM 的推理能力，在诊断、抽象推理和优化基准上较基线最高提升 26.7 分，并生成多达 4.5 倍的新颖解决方案。
ANTE 是一个 agentic 强化学习框架，通过执行验证的动作前预测为编码智能体提供逐步信用分配，显著提升了 Qwen3-32B 在 SWE-bench Verified 上的性能（从 25.0% 提升至 57.2% pass@1）。其核心组件 BAPO 将预测锚定为逐步优势信号，ANTE-TTO 则在推理时无需外部评分器即可选择候选动作。
Opera 是一个针对长期运行的代码智能体的口头批评框架，它将每次纠正都记录为一条持久化的备注，跟踪智能体的行为以区分“简单遵从指令”与“真正解决问题”。该框架在多个基准测试中将问题解决率提高了最多 15 个百分点，并提供同策略（on-policy）训练数据，能够提升 Qwen3.5-9B 在 SWE-Bench Pro 上的表现，且无需在推理阶段使用批评器。
提出了 PersonTTS，一个通过需求匹配的控制器初始化和源蒸馏程序化指导，实现个性化测试时缩放（多维用户需求联合满足）的摊销式智能体策略发现框架，在 AIME 和 HMMT 上显著优于现有 TTS 基线。
CLIFT 利用共形自验证(conformal self-verification)将稀疏的judge反馈转化为可复用的训练奖励与无需外部judge的测试时轨迹选择，在WebArena Infinity、VisualWebArena和Online Mind2Web上取得了开源web agent的最优表现。
Meta Superintelligence Labs 发现，RL 后训练会收窄 LLM 智能体的解题覆盖范围（即「锐化税」）：在采样次数充足时，轻量框架下的基础模型能解决更多不同的智能体任务，而后训练模型在 pass@1 上表现更优。作者提出 PTGS——一种自适应温度的 RL 方法，在降低这一税负的同时还提升了 pass@1。
该论文为大模型推理中基于束搜索的测试时扩展提供了理论保证，证明了朴素束搜索样本复杂度的下界，并提出了置信度过滤束搜索（CF-Beam），将覆盖率依赖从二次降低到接近线性，在长程任务上表现优于 Best-of-N 等序列级方法。
论文提出了 Hermes——一系列可配置的框架，让模型能够在推理时的算力之间灵活分配上下文；同时提出了 Hermes-Learn——一个两阶段框架，训练模型自适应地做出这些上下文推理决策，从而缩小了小型开源模型与更大模型之间的差距。
该论文提出 GapFT 这一微调方法，依据模型的 Pass@K 与 Pass@1 之间的差距来筛选训练样本。在 LogiQA 2.0 和 ReClor 上的结果表明，该方法能在大幅减少数据用量（远少于均匀验证式 RFT）的同时，显著提升单样本准确率。