标签
Mid-Harness 提出了一种面向终端智能体的方法，在执行前于模型与 Harness 的边界处对候选动作进行采样与验证，将 GPT-5.6 Solverifier 在 TerminalBench-Lite 上的 Pass@1 从 50.00% 提升至 68.03%，并表明动作扩展（action scaling）是一种与轨迹扩展（trajectory scaling）同等高效的测试时算力利用方式。
AREX-2 通过在机器学习和算法编程任务上合成的长时程反思轨迹进行训练，推进 LLM 智能体的自我改进。基于 Qwen3.8-27B 构建，它在 MLE-bench Lite（81.8）和 Frontier-CS（70.7）上取得了优异成绩，并能迁移到 BrowseComp、HLE、GAIA 和 DeepSearchQA 等深度研究任务。
本文介绍了TaH2，一种自适应循环Transformer，通过动态分配额外迭代给有益的token来改进测试时缩放，在AIME等基准测试上实现了比基线53%的准确度-计算斜率提升。
本文提出 Planned Test-Time Scaling (PTTS)，一种通过协调推理分支来提升挑战性任务性能的方法，在数学推理基准测试中相比重复采样取得了显著提升。
Hill Sampling is a simple test-time scaling method that uses frozen LLMs to iteratively sample and edit the best-verified program, achieving state-of-the-art results on algorithmic problems like circle packing and Erdős' minimum-overlap problem.
本文介绍了LLM-as-an-Improver，这是一种利用验证反馈为LLM生成改进候选解决方案的方法，从而提升性能超越初始候选池。
本文探讨了不同候选生成计划对大语言模型在测试时扩展过程中的能耗和性能的影响，表明更大的批次大小可以减少能耗和延迟。
Dynin-Robotics是一个多模态统一扩散模型，整合了视觉、语言和动作，用于语言条件下的机器人控制，通过联合去噪和测试时缩放提高适应性和成功率。
本文研究了科学方程发现中的测试时缩放，将其表述为一个迭代搜索过程，并发现搜索宽度是在计算预算下提高性能和效率的主导分配参数。
本文介绍了检索基础投票（RGV），通过使用与检索文档的词汇重叠来解决多轮搜索代理中基于置信度投票的局限性，实现了高达5.4%的准确率提升。
Prefix Sliding 通过丢弃不重要的中间令牌来降低长推理过程中的内存成本，从而在不重新训练的情况下实现高效的测试时缩放，在现有模型中最高可提速3倍。
Gambit 通过使用思维级束搜索，在固定的硬件预算下动态分配计算资源给有前景的推理轨迹，从而显著提高准确性和吞吐量。
本文引入了“结晶化问题”，用于评估文本到SQL系统中的可复用记忆，表明将经过验证的修正查询存储在每个数据库的库中，可以将BIRD上留出集的首次尝试准确率提高4.34个百分点，捕获按需修复所提供的44.4%的提升空间。受控干预措施识别出数据库特定内容是主要驱动因素。
一种新的无验证器广度-深度精炼框架通过采样多个推理轨迹、利用自我批评迭代地精炼每条轨迹，并通过多数投票进行聚合，从而在测试时提升LLM推理能力。在多个数学基准和开放权重模型上，该方法持续优于贪心解码、多数投票和基于验证器的选择。
本文介绍了RL^2，一种用于视觉-语言-动作模型的自适应推理时引导框架，它利用潜在表示上的离线强化学习来组合动作流，并且仅在预测到失败时激活引导。在SIMPLER和PolaRiS基准上，它实现了最高+17.3%的成功率提升，并展示了真实世界的迁移能力。
本文提出MetaEvolve框架，利用强化学习训练LLMs掌握自我进化的元技能以实现迭代优化，在编码基准测试上取得了显著改进。
介绍了一种代理潜在策略优化（SLPO）方法，将结果奖励强化学习应用于自回归潜在推理器，实现测试时扩展和变长策略，从而在更难实例上提高准确率。
本文重新评估了 LLM 智能体自动框架演进的方法论，指出其收益可能源于额外的测试时搜索而非改进的框架设计，并且在相同基准上的评估存在过拟合风险。实验表明，框架演进并不始终优于更简单的测试时扩展方法。
介绍能量引导递归模型（ERM），该模型利用Hopfield能量指导递归推理轨迹的选择，在数独、Pencil Puzzle Bench和迷宫任务上实现最先进性能。
本文重新思考了智能体自动工具框架进化应如何评估，指出性能提升可能源于增加的计算量而非真正的改进，并且进化后的工具框架难以泛化到未见过的任务。