研究揭示自评估的测试时计算上限，提出 Scorpio 方法
原文标题：On the Limits of Test-Time Compute for Self-Evaluation
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文用排序误差衡量模型区分正确与错误生成的能力，并给出偏差-方差分解：增加推理计算降低方差，但偏差先降后趋于平台。据此提出 Scorpio，对随机分组候选联合打分。在数学、代码与谜题基准上，验证准确率最多提升 7 个百分点且推理成本降低 17-42%，树搜索准确率最多提升 10 个百分点。
深读 · 结论先行AI 生成展开看要点与影响 ↓
自评估存在测试时计算上限，Scorpio 验证准确率最多升 7 点、成本降 17-42%
- •用排序误差衡量模型区分正确与错误生成的能力，并给出偏差-方差分解
- •增加推理计算降低方差，但偏差先降后趋于平台，解释 pass@N 差距难收窄
- •Scorpio 对随机分组候选联合打分，方法简单通用
- •验证任务准确率比最强基线最多高 7 个百分点，且以低 17-42% 推理成本达到或超过其峰值准确率
- •树搜索准确率最多提升 10 个百分点，编码聚合方法扩展性提升 11 个百分点
为什么重要：说明盲目增加采样与验证计算收益有限，为自验证与聚合的算力分配提供可操作的设计依据。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
谷歌 Gemini 4 Carbon 全面超越 Opus 5.5，首发 Token 半价
AI 摘要谷歌发布 Gemini 4 Carbon，宣称在多项能力上全面超越 Opus 5.5，并推出首发 Token 半价优惠。该模型可连续数日修复 Bug，且具备免疫提示词注入的安全特性，加剧头部大模型竞争。
谷歌发布 Gemini 4 Carbon，主打网络安全能力跃升
AI 摘要谷歌推出前沿模型 Gemini 4 Carbon，在编程、智能体任务和网络安全方面显著提升，登顶 Artificial Analysis 智能指数，领先 Claude Opus 5.5 与 GPT-6 Astra。该模型目前仅向部分网络安全防御公司开放，定价与 Argon 相同，为每百万输入 token 2 美元、输出 10 美元。
谷歌发布 Gemini 4，API 限时半价
AI 摘要谷歌正式发布 Gemini 4，被视为重回大模型第一梯队的关键动作，同时推出 API 限时半价优惠。该发布对模型竞争格局与开发者成本结构均有直接影响。
谷歌 Meta 发布前沿模型，AI 竞赛重启
AI 摘要谷歌发布 Gemini 4 Argon，Meta 推出新前沿模型，两家公司声称可与 OpenAI 和 Anthropic 的旗舰模型匹敌。谷歌以激进定价策略切入市场，入门期价格比竞争对手低至80%。AI 前沿竞争格局重新洗牌。