★ 3
AWM 框架实现无环境副本的智能体测试时扩展
研究者提出 Agentic World Modeling（AWM），将下一观测预测重构为多轮证据获取任务，通过安全只读接口查询真实环境，在不改动共享状态的前提下构建观测结果。结合轨迹级测试时扩展，AWM 可在单一共享环境中并行探索。在 τ-bench、AppWorld、OfficeBench 上平…
arXiv cs.AI5 小时前
#测试时扩展
共 8 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
SelfMorph：让冻结大模型按输入自变形计算结构
论文提出 SelfMorph，将计算拓扑变为依赖输入的推理时决策，统一原始前向、层段串行复用与隐状态局部分支合并三种形态，并用轻量选择器在生成前挑选形态。在 4B–27B 三个模型上，分布内基准平均相对提升 8.06%，未见基准提升 4.45%，27 项设置中 24 项最优。
arXiv cs.AI3 天前
★ 3
TEX：基于执行交叉验证的测试智能体扩展框架
论文提出 TEX 协作式测试时扩展框架，让多个智能体并行生成测试与补丁，通过交叉执行构建 K×K 反馈矩阵进行客观验证。在 SWT-Bench Verified 上达到 86.4% 新 SOTA，比单智能体基线提升 9.0%，表明执行反馈是长程智能体任务的有效扩展机制。
arXiv cs.AI12 天前
★ 3
Harness-Delta 归因：智能体框架进化增益中 54% 来自过拟合
论文提出 Harness-Delta Attribution（HDA）评估协议，将智能体框架进化的性能增益拆分为过拟合、测试时扩展与残余可泛化部分。在 11 个执行模型与 3 个框架、21 个显著提升设置中，过拟合与测试时扩展平均分别占增益 54% 和 14%，且搜索集增益常无法迁移到留出任务。
arXiv cs.AI13 天前
★ 3
PersonTTS 框架实现个性化测试时扩展
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…
arXiv NLP25 天前
★ 3
Hermes：学习上下文推理解锁测试时扩展
论文提出 Hermes 系列可配置测试框架，逐步将上下文分配与复用决策权交给模型，并配套 Hermes-Learn 两阶段学习框架。研究发现强模型可利用该灵活性随推理算力扩展，而小型开源模型初期难以做到，经 Hermes-Learn 训练后可缩小差距。所得自适应上下文推理策略可跨基准与模型泛化，并…
arXiv cs.LG32 天前
★ 3
候选生成策略影响 LLM 测试时扩展的能耗与性能
论文指出测试时扩展中候选数量 N 无法描述候选如何被执行，相同预算可来自一次批处理或多次串行调用。在固定 N=8 下比较 1x8、2x4、4x2、8x1 四种调度，A100 上八次串行调用的 GPU 能耗为单次批处理的 4.64–4.86 倍，P95 延迟为 5.77–6.12 倍。结论是评估应同…
arXiv cs.LG45 天前
★ 3
多轮搜索智能体的检索接地测试时扩展研究
基于置信度的投票在多轮搜索代理中效果不佳，原因是复制膨胀导致置信度失真。提出检索接地投票（RGV），通过最终答案与检索文档的词汇重叠评分，避免污染上下文。在四个基准和五个LLM上，RGV一致优于置信度投票，准确率提升最高5.4%。
arXiv cs.AI68 天前