PersonTTS 框架实现个性化测试时扩展
原文标题：From Pareto to Preference: Personalized Test-Time Scaling via Amortized Agentic Policy Discovery
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。
研究将个性化测试时扩展（TTS）形式化为发现能最大化用户多维需求联合满足率的可执行控制器，提出摊销式智能体策略发现框架 PersonTTS，通过需求匹配的控制器初始化与源蒸馏过程指导复用历史搜索经验。在 AIME 与 HMMT 上，PersonTTS 在未见用户画像与留出题目上的联合需求满足率显著优于强 TTS 基线，并大幅降低发现智能体的时间与成本。
- 问题
- 用户对准确率、延迟、成本有多维要求时，测试时扩展如何同时满足。
- 方法
- 把个性化 TTS 形式化为发现可执行控制器，PersonTTS 用需求匹配初始化和源蒸馏复用历史搜索经验。
- 结果
- 在 AIME 与 HMMT 上联合需求满足率显著优于强 TTS 基线，并大幅降低发现智能体的时间与成本。
- 影响
- 推理服务可按用户画像摊销搜索成本，把 TTS 从单目标调参变成可复用的策略发现。
深读 · 结论先行AI 生成展开看要点与影响 ↓
PersonTTS把测试时扩展做成个性化控制器发现，在AIME与HMMT上联合满足率超强基线。
- •将个性化TTS形式化为发现能最大化用户多维需求（准确率、延迟、成本）联合满足率的可执行控制器
- •现有方法多只优化单一资源维度，分别推进准确率-成本或准确率-延迟前沿
- •PersonTTS通过需求匹配的控制器初始化与源蒸馏过程复用历史搜索经验
- •在AIME与HMMT的未见用户画像与留出题目上，联合需求满足率显著优于强TTS基线
- •相同候选评估预算下，跨用户经验复用提升策略质量并大幅降低发现智能体的时间与成本
为什么重要：把TTS从「调一个旋钮」推进到「按用户多维约束自动选策略」，对推理服务的成本与延迟调度有实际意义。
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
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。