★ 4
论文：测试时通信让多智能体在 ARC-AGI-3 上超越并行独立尝试
论文研究多智能体在测试时通过共享目录通信的效果，发现 k 个通信智能体的成功率可媲美 4k 个独立智能体，且优势随规模扩大而累积。在 ARC-AGI-3、多联骨牌拼装与 MNIST 分类器压缩任务上，通信团队超越最佳单智能体甚至人类已知最优解。但该增益在算力有限或缺乏明确进展信号时并不成立。
arXiv cs.LG41 天前
#测试时计算
共 18 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 4
Nemotron 奥数金牌开源方案发布
研究基于 Nemotron 3 Ultra 训练两个数学专家检查点，构建纯自然语言、无形式化证明器与外部工具的测试时计算流水线。该系统在 IMO 2026 取得 42 分中的 30 分，达到金牌线。团队开源了检查点、训练数据、代码、解答及 200 题新基准 Nemotron-IMO-Bench。
arXiv cs.AI50 天前
★ 3
ThinkJev 用快慢双系统按需思考，降低类型化决策成本
论文提出 ThinkJev，基于同一开源混合思考模型构建快慢双系统：System 1 直接读取选项字母概率，System 2 在缓存提示上思考后再读同一批字母，可复用同一次思考覆盖所有思考预算。在 5% 目标错误率下，Qwen3.5-27B 有 24.5% 的测试决策由 System 1 直接作答…
arXiv cs.AI2 天前
★ 3
研究：token 置信度评分主要反映思维链长度而非正确性
论文用信号处理方法审计推理模型的 token 置信度打分法，在 500 道数学题各采样 16 条思维链。结果显示滑动窗口最低置信度分数主要度量链长，仅按长度排序效果相当甚至更好；扣除长度后该分数对正确性无信息量。频谱中虽存在微弱信号，但不足以改善多数投票或提前停止策略。
arXiv NLP4 天前
★ 3
h1 框架：简单智能体循环在 Lean 4 定理证明达 SOTA
论文提出 h1，一个仅给模型提供高效 Lean 4 接口、依靠验证器反馈与自我反思持续迭代的简单框架，不预设分解或搜索结构。h1 在 PutnamBench、FATE-X、FormalConjectures100-Solved 上取得 SOTA，并解决 FormalConjectures 中 8 …
arXiv cs.LG4 天前
★ 3
随机重掩码 R²D 提升掩码扩散模型推理性能
论文将掩码扩散模型（MDM）推理重构为干净序列空间上的马尔可夫链，提出纯测试时、免微调、免奖励的 Random Remask-Denoise（R²D）推理方法，并配套轨迹纠错训练 TCT。在困难数独上准确率超 97%、3-SAT 超 99%，在 HumanEval+ 上超过 LLaDA2.1-mi…
arXiv cs.LG9 天前
★ 3
论文揭示验证器审计崩溃：策略变强反致审计失效
研究分析后训练与测试时计算中的验证器控制回路，发现当策略掌握部分目标后，在线审计权重会偏移，导致「在线审计崩溃」，甚至偏好更差的组件验证器。论文推导出识别集与完全擦除阈值，并通过多标签文本与心电图实验验证审计可能降低离线 AUC、转移损害。修复方案是在组件自身失败样本上审计并保留这些失败于刷新分布…
arXiv cs.LG10 天前
★ 3
T²Mem：测试时记忆构建框架提升 LLM 长程问答
论文提出 T²Mem，将记忆构建推迟到推理阶段，离线仅提取轻量级片段元数据作为检索线索，测试时随推理进程逐步构建查询专属记忆。在 LoCoMo 与 LongMemEval 上，该方法在多种基座 LLM 上稳定超越强基线，并显著降低记忆构建开销。
arXiv NLP20 天前
★ 3
LLM 推理中束搜索的可证明测试时扩展
论文为 LLM 推理中常用的束搜索建立测试时计算理论保证，证明朴素束搜索需 Ω(C*(x)²) 采样才能保留最优响应。据此提出置信过滤束搜索 CF-Beam，在前缀竞争性下将覆盖依赖从二次降至近线性。结果显示束搜索相较 Best-of-N 等方法在长推理链上更具鲁棒性。
arXiv cs.LG31 天前
★ 3
研究测量数学推理测试时预算边界的准确率影响
论文研究累积 token 上限落在数学推导中途时，测试时控制器在「严格停止」与「允许当前尝试完成」之间的边界选择。基于 19,200 条公开轨迹的配对离线回放发现：4k 上限下建议式停止的准确率增益多来自将弃答转为正确答案；按实际成本比较与同上限比较结论不同；候选覆盖增加并不保证准确率提升。作者呼…
arXiv cs.AI31 天前
★ 3
思维的价格：推理算力在 LLM 交易中是否划算
研究对 DeepSeek、GPT、Gemini 三个家族模型做受控实验，在固定信息、提示与组合构建下改变推理强度，覆盖一年美股与超 80 万条资产预测。结果显示增加推理并不能可靠提升扣除交易成本后的净收益，DeepSeek 表现非单调，重复生成还会带来不稳定的处理效应与组合选择。
arXiv cs.AI34 天前
★ 3
Hill采样：测试时扩展的简单高效替代方案
论文提出Hill采样，一种简单程序：从冻结LLM反复采样候选程序编辑，保留当前最优程序并以其为条件继续采样。在圆填充、集合和差及Erdos最小重叠问题上，Hill采样在圆填充上创下已发表方法新纪录，超越AlphaEvolve参考结果。研究还发现直接学习LLM权重的进化策略不如将学习率设为零，表明重…
arXiv cs.LG39 天前
★ 3
将间接提示注入重新定义为测试时搜索问题
该研究将间接提示注入形式化为测试时搜索问题，提出代理攻击者框架，通过环境侦察和策略推理提升漏洞发现能力。实验表明增加测试时计算可改善攻击效果，强调代理安全评估需考虑搜索过程和计算预算。
arXiv cs.AI55 天前
★ 3
AERA：自适应证据残差分配实现高效测试时推理
AERA 是一种顺序控制器，学习从检查点可观察证据判断额外计算是否可能恢复更好答案。在 GSM8K 上，AERA 以 92.61% 的准确率接近 128 响应的 93.01%，同时减少 95.99% 的完成 token。
arXiv cs.AI62 天前
★ 3
递归智能体推理：统一测试时计算方法
论文提出GROW、PRUNE和BRANCH三种递归算子，统一视图下评估测试时推理方法。在五个基准和三个前沿模型上，BRANCH在所有14个设置中平均提升5.98个百分点，且优势与基线截断率强相关。
arXiv cs.AI67 天前
★ 2
arXiv 论文：置信度校准的推理扩展控制方法
一篇 arXiv 论文提出面向评估器引导推理的计算感知三动作控制器，在每一步选择信任当前答案、回退或继续扩展推理，并显式计入计算成本。方法通过局部动作间隙分析与期望遗憾界，学习并校准动作级置信度估计。在宽度扩展与修订任务上，相比校准选定的固定策略，在线计算量分别降低约 30% 和 16%，并在四个…
arXiv cs.AI16 天前
★ 2
REWIND：熵引导的推理轨迹修复方法发布
研究者提出 REWIND，一种无需训练的控制器，利用 token 熵动态定位推理错误并针对性重生成后缀。在 MATH500 上发现错误回答的平均 token 熵比正确回答高约 112%。跨三个模型家族、五个基准测试中，REWIND 比最强基线提升 0.51-10.00 个百分点。
arXiv NLP17 天前
★ 2
PreSTO：预测式子树叶预取加速 LLM 幂采样
论文提出 PreSTO，通过预取未来 Metropolis-Hastings 提议，在不改变转移核的前提下加速 PowerMH 采样器。在七个数据集、五个基座 LLM 上，对 PowerMH、EntropyCut、MultiTryMH 分别取得 1.71×、1.91×、2.33× 中位加速，模型调…
arXiv NLP20 天前