操白浆视频

电脑版下载

11493
8

操白浆视频截图Q8X2R7L1T4J5M9B6W3

内容详情

操白浆视频

机械之心报道

编辑：Panda

若是说大模子的预训练（Pre-training）是一场拼算力、拼数据的「军备竞赛」，那么测试时扩展（Test-time scaling, TTS）更像是一场在推理阶段举行的「即时战略游戏」。

现在的共识是：让模子在回覆问题前「多想一会儿」，往往能获得更好的效果。这听起来像是一个完善的免费午餐：只要能在推理时动态分派更多盘算资源，就能让模子的智商原地腾飞。

但问题来了：我们该怎么让 LLM「多想」？

好比让一群学生做题：是让一个学生重复修改谜底（序列战略）？照旧让一百个学生同时做题然后投票（并行战略）？亦或是让他们开个会讨论一下（混淆战略）？

更主要的是，有些「学生」（模子）虽然智慧，但想得越多反而越容易钻牛角尖；而另一些则必需深图远虑才华解出难题。

事实哪个 TTS 战略才是谁人「天选之子」？

为了竣事这场瞽者摸象般的争论，微软终于脱手了。

他们举行了一项针对 TTS 的系统性研究：涵盖了从 7B 到 235B 参数目的 8 个开源 LLM，在 4 个推理数据集上猖獗天生了凌驾 300 亿个 token。

论文问题：The Art of Scaling Test-Time Compute for Large Language Models论文地点：https://arxiv.org/abs/2512.02008

这项研究不但突破了「一种战略通吃」的理想，还发明了一个倾覆认知的征象：模子之间保存着显着的性格差别，分解为「短视界」和「长视界」两大阵营。

基于这些洞见，微软团队更是直接甩出了一套综合了问题难度、模子类型和盘算预算的「适用配方」。下面，让我们一起走进这项展现了 LLM 推理实质的重磅研究。

测试时扩展要领简介

LLM 的测试时扩展战略多种多样，通常分为并行、序列、混淆 / 元要领（meta）以及内部盘算机制（图 2）。虽然每类要领在特定设置下都显示出潜力，但没有简单战略是普遍最佳的

并行扩展战略

通过聚合多个自力采样的推理路径的谜底来提升性能。Self-consistency 对多样的推理路径举行采样并选择泛起频率最高的最终谜底，显著提升了算术和符号使命的性能。Best-of-n 采样作为一种简朴的并行要领被普遍使用，不过最近也有人提出了更具原则性的投票战略，如加权大都投票和多智能体验证（MAV）。Short-m@k 使用了早�；疲核⑿性诵� k 条推理链，并凭证完成路径的比例提前终止。

序列扩展战略

通过迭代式的修正、重启或回溯来扩展推理深度。头脑链（CoT）提醒是一个基础理念，随后的事情如 STaR 和 Reflexion 探索了通过试错或语言自我反思举行修正。头脑树（ToT）和头脑图（GoT）通过结构化的广度优先或 DAG 气概搜索进一步扩展了这一点。AlphaGeometry 将符号证实搜索与 LLM 连系，以实现办法级的序列控制。S1 微调模子以教授自我修正战略，使用了更高的测试时盘算量。

混淆扩展战略

该战略融合了以上两个维度。Meta-Reasoner 使用上下文多臂老虎机凭证感知的使命难度动态选择 TTS 战略。AgentTTS 和 START 安排智能体（具有工具挪用能力的 LLM）在直接天生或更重大的推理之间举行切换。PEARL 交替举行底稿天生与修正，模拟自我刷新循环。这些元调理器（meta-schedulers）熟悉到仅靠深度或并行扩展是不敷的，旨在凭证模子行为和提醒动态调解战略。相比之下，内部扩展战略修改模子在推理历程中的内部盘算量，而不显式调解外部样本数或推理办法数。HALT-CoT 和 SoftCoT++ 的要领是预计谜底的不确定性，若是置信度高则提前终止。

没有哪种战略是普遍最佳的。多项实证研究增强了这一看法，即没有 TTS 战略能一连占有主导职位。

微软这项研究剖析的算法包括最先完成搜索（First Finish Search, FFS，算法 1）、最后完成搜索（Last Finish Search, LFS，算法 2）和束搜索（Beam Search），前两者由变量 k 和 N 参数化，此后者仅由 N 参数化。

FFS-k@N 意味着采样 N 个输出并在最短的 k 个样本中执行大都投票（MV）以确定效果；而 LFS-k@N 仅仅涉及选择最长的 k 个样本而非最短的，随后对这些样本举行大都投票。

束搜索涉及维护一组高概率的部分假设（partial hypotheses），并在解码历程中一直更新这些前缀。

研究效果

束搜索显示出逆扩展或无扩展

研究的第一个爆点来自于对经典算法束搜索（Beam Search）的宣判。

在实验中，研究职员视察到了一个极其反直觉的征象：在「短视界」和「非推理」这两个模子家族中，束搜索体现出了一致的逆扩展（inverse-scaling）模式：随着束巨细 N 的增添，性能枯燥下降（图 1）。

看图便知，关于像 R1 和 QwQ-32B 这样的模子，一旦束大�。˙eam Size, N）凌驾 2，准确率不但没有提升，反而像坐过山车一样急剧下降。

即即是 GPT-OSS-120B 和 Qwen3-32B 这样的「长视界」模子，增添 N 也未能带来收益，准确率曲线要么躺平，要么缓慢下滑。

这意味着什么？意味着在束搜索上投入更多的盘算量（增添 N 会消耗更多 token），不但是铺张，甚至是有害的。简直是花钱买罪受。

推理路径长度与质量的相关性

这项研究最焦点的孝顺，在于展现了推理路径长度与质量之间重大的相关性。这关于深入明确像 FFS 和 LFS 这样基于长度的过滤战略至关主要。

FFS 和 LFS 基于两个截然相反的看法：越短越好和越长越好。

为了视察哪种假设（或哪些假设）适用于特定模子，该团队报告了给定推理路径长度区间和问题难度下的准确率（表 1）。

请注重，问题难度是通过所有模子和路径的平均准确率来权衡的，而报告的准确率是通过特定模子的所有输出来权衡的。一个要害的考量是，问题难度与推理路径长度保存混淆（confounded，图 3）：短路径通常源于较容易的问题，而长路径往往对应较难的问题。

为缓解这种混淆效应，他们将剖析限制在同时具有短路径和长路径的使命上。关于每个此类数据集，他们划分盘算短路径和长路径的简单准确率值，然后在数据集之间平均这些值，从而避免数据集巨细的差别不可比例地影响聚合效果。

效果，他们将六个推理模子清晰地划分为两大阵营：

1. 短视界模子

代表成员：R1, QwQ-32B, DAPO-32B行为特征：关于给定的问题难度，更短的推理路径比更长的路径更可能是准确的。

这意味着这些模子在推理时往往「直击要害」，若是它们最先长篇大论，很可能是在「胡言乱语」或者陷入了无效循环。

有趣的是，DAPO-32B 只管使用了 GRPO 等手艺，依然体现出与 R1 相似的长度偏置，说明现在的后训练手艺在缓解长度偏置方面可能还很有限。

2. 长视界模子

代表成员：Qwen3-32B, GPT-OSS-120B行为特征：它们的体现更为重大且「圆滑」。

在简朴问题上，它们倾向于较短的路径。但在难题问题上，它们则偏好较长的路径。

这类模子展现出了更强的顺应性：遇到难题时，它们确着实使用特另外盘算办法举行有用推理，而非无效空转。

深度剖析：预算与战略的博弈

既然模子性格迥异，那么在给定的盘算预算（Token 消耗量）下，我们该怎样选择最佳的 k 和 N？

研究团队通太过析 FFS-k@N 和 LFS-k@N 的性能曲线，发明了几个要害趋势：

LFS 的奥义在于「全员投票」

关于 LFS 系列要领，给定总盘算量下的最大性能总是当 k 很大时（即 k=N）实现。注重，当 k=N 时，LFS 现实上就退化成了大都投票（MV-N）。

结论很是简朴粗暴：在消耗相同 token 的情形下，直接做大都投票（MV@N）总是优于刻意筛选最长路径的 LFS-k@N。

FFS 的玄妙权衡

关于短视界模子：较大的 N 值总是最好的。这意味着你应该采样许多样本，然后从中选出最短的那一批举行投票。

关于长视界模子：保存权衡。若是你想用高盘算量换取高性能，你必需选择较小的 N（实质上是执行简朴解码）；而在非推理模子上则相反。

这一剖析告诉我们，最佳 TTS 战略是随着预算的增添而动态扩展的

最终配方：如作甚你的模子选择 TTS 战略？

基于上述海量实验数据，微软团队总结出了一套极具操作性的「决议矩阵」。这不但是理论剖析，更是给算法工程师们的实战手册。

让我们来拆解这个配方的内在逻辑：

场景一：若是你使用的是「短视界模子」（如 R1, QwQ）

这类模子有个特点：无论问题难易，它们总是以为「长话短说」的谜底更靠谱。

低盘算预算时：使用 FFS，且设定 k=1。即：采样 N 个谜底，直接挑最短的谁人作为最终谜底。简朴、快速、有用。

高盘算预算时：使用 FFS，且设定 k=N（等同于 MV@N）。即：采样 N 个谜底，由于 N 个最短路径就是所有路径，以是这现实上就是标准的大都投票。

焦点逻辑：关于短视界模子，性能随 N 的增大而提升。因此，只要预算允许，把 N 拉满，做大都投票即可。

场景二：若是你使用的是「长视界模子」（如 Qwen3）

这类模子较量「纠结」，战略选择稍微重大一些。

面临高难度问题（High Difficulty）：模子倾向于长路径。由于 LFS@N 随 N 增添而提升：

高盘算预算：使用大 N 的 MV@N。低盘算预算：使用小 N（理想情形下 N=1）的简朴解码（SD）。

这里有一个有趣的结论：在坚持 k=N 的情形下（即 MV），性能随 k 增大而提升。

面临低难度问题（Low Difficulty）：此时模子偏好短路径（杀鸡焉用牛刀）。

高盘算预算：使用大 k 的 FFS。低盘算预算：使用小 k 的 FFS。

在这种设置下，设定 N=k（即 MV@N）依然是稳健的选择。

总结来看，只管模子类型和使命难度千差万别，但最终的「配方」却体现出了惊人的殊途同归：关于绝大大都情形，大都投票（MV@N）或者是其变体（如 FFS 中的 k=N）往往是性价比最高的选择。特殊是关于「短视界」模子，不要试图通过让它「多想」来强行提升效果，更多时间，从大宗的快速回覆中通过投票筛选出共识，才是准确的翻开方法。

微软的这项研究，现实上是在为 LLM 的推理能力「祛魅」。它告诉我们，测试时扩展并不是简朴地堆砌算力，更不是盲目地追求更长的头脑链。

明确模子的「视界」属性是设计高效推理系统的第一步。而在算力腾贵的今天，这份基于 300 亿 token 实测得出的决议配方，无疑为我们节约了大宗的试错本钱。

下一次，当你准备让你的模子「再想一下」时，无妨先查查这份配方，看看你是否正在为一个「短视界」的模子，强加它并不善于的长考重担