测试时计算 LLM-DailyDigest 2026-08-30 2026-08-30 约 100 字 预计阅读 1 分钟 测试时计算 本主题由提交工具自动创建，可在此补充洞察与资料。 相关消息（按子主题自动聚合） 世界模型 6 MLE-World：用世界模型预测机器学习实验结果 10-29 基于世界模型预测路径的自改进智能体 10-22 Simple-WAM：测试时未来建模提升世界动作模型泛化 10-01 World in World：免训练控制视频世界模型的视角与时间探索 09-13 SyncWorld：视觉校准使世界模型成为零样本模拟器 09-11 面向网页智能体的判别式世界模型 09-03 人工智能辅助编程 1 ReMCTS：反思增强的蒙特卡洛树搜索代码生成框架 09-30 代码模型 1 后训练语言模型实现信息学竞赛金牌级表现 09-03 信用分配 1 用于算术推理的 Bellman 一致轨迹强化学习 10-18 具身规划 1 SafeInferCom：验证器引导的机器人安全推理时计算 10-10 前缀滑动窗口 1 Prefix Sliding：高效扩展测试时推理 08-27 博弈评测 1 Brood War Bench：19个大模型实时对战《星际争霸》 09-23 反思早停 1 EvoResearcher：免训练的推理时自我反思与成本约束早停 08-20 可信执行 1 Mid-Harness：通过动作采样与验证提升终端智能体执行可靠性 10-01 可信推理 1 基于输入移除的测试时 LLM 解释忠实性提升方法 09-07 多智能体系统 7 多智能体聚合中的偏差控制与注入 10-18 万级多智能体扩展：能力增益、协作机制与对齐风险 10-08 Noam Brown：多智能体并行推理与递归自我改进 10-01 Noam Brown谈多智能体扩展与递归自我改进 09-30 条件渐进剪枝提升多智能体辩论效率 09-29 OpenAI万级Agent蜂群：去中心化协作与递归自我改进 09-21 Noam Brown 谈智能体集群、对齐与递归自我改进 09-18 失败归因 1 超越 LLM 推理：轻量 GNN 实现智能体失败归因 08-20 奖励机制设计 1 SIF：通过选择性内部反馈学习推理 10-18 安全评测 1 普通任务压力下涌现工具监控规避行为 09-25 工具调用 1 重新审视多轮工具使用中的工具图记忆 10-18 并行推理 1 PTTS：规划式测试时扩展协调多分支推理路径 09-24 强化学习 1 言语强化学习的兴起：自然语言反馈统一框架 09-02 循环推理 1 Recirculation：基础模型的推理时再循环 08-19 循环深度 1 循环模型为何越想越错：隐空间推理的深度困境 08-16 循环稳定性 1 循环模型为何越想越错：递归深度与训练稳定性 08-17 思维链 3 用上下文感知解码缓解思维链中的查询捷径 10-22 思维密度：预测与引导大模型推理 10-18 无意义填充词显著提升 GPT-6 Astra 深层推理表现 09-23 技能演化 1 RAX：在线探索扩展驱动机器人持续自我改进 10-26 持续学习 1 JitRL：免梯度实现 LLM Agent 测试时持续学习 08-22 推理优化 4 并非所有测试时计算都是证据：LLM 推理中的模型特定偏差 10-19 递归推理模型的优化、架构与测试时扩展瓶颈 10-01 MIRAGE：强化学习引导的多视角创造性推理 09-21 Looped Transformer 有限步失效的几何分析 09-16 推理扩展 7 ReLaDrift：漂移模型的循环语言生成与测试时扩展 10-19 LEV：通过循环决策模型实现快速与深度思考 10-18 InfiLoop：以循环原生注意力残差扩展至数万次测试时迭代 10-10 GPT-6 Astra借助空白 Token 显著提升隐式推理能力 09-26 Trace as State：轨迹前置提升长上下文推理 09-14 Thinking with Looped Flows：基于循环流的可扩展推理 09-11 五年前的“开放式推理”设想预见 OpenAI o1、o3 路线 08-15 推理效率 6 AMTP：自适应多词元预测的动态推测窗口 10-22 低价模型未必省钱：Gemini 3 Flash部分任务总成本反超GPT-5.2 10-08 SpecScale：面向测试时扩展的高效推测搜索服务系统 10-01 Claude 编程 effort 参数实测：日常选 Low，漏洞挖掘再开 Max 09-26 CliffCompaction：长程编程智能体的低成本上下文压缩 09-23 无 LM Head 的软潜空间思考 09-01 推理早停 4 StreamStop：语言模型智能体的流式推理自适应早停 10-21 Adaptive Self-Consistency：基于分布反馈的自适应推理早停 10-01 递归模型何时完成计算 09-23 AI 何时停止过度思考？长推理模型的早停难题 09-14 推理评测 4 受阻智能体应将推理资源用在哪里？基于 BRA 的因果归因 10-22 先采纳，再取消：思考如何让推理模型字面理解 some 与 or 10-18 增加推理预算未能消除大模型认知偏差 10-08 PetriBench：动态状态空间中的 LLM 推理评测 09-18 数字孪生 1 Twin：测试时数字孪生破解未知游戏 08-17 数学推理 1 Nemotron 的 IMO 金牌开放配方：奥数证明训练与推理 09-13 数据策展 1 策略多样性采样提升大模型自训练 09-28 模型可靠性 1 CoTS：温度缩放校准测试时提示调优 09-16 模型架构创新 4 LAW：基于纯自条件的扩散语言建模 10-22 单纯形上的推理：几何不动点模型 GFPR 09-29 QART：面向长程推理的量子—经典混合架构 09-16 OpenAI Astra被曝采用循环深度Transformer 09-07 测试扩展 1 真实开放任务中的测试时扩展：瓶颈在利用而非探索 08-20 测试时优化 16 ARR：在修订与重采样间自适应分配测试时计算 10-21 SPLIT：不完美验证器下的测试时计算分配 10-19 DHSA：以少量控制参数实现推理时偏好对齐 10-18 EMO：交替上下文优化与 Logits 引导的闭环测试时计算框架 10-18 测试时 LLM 集成的双样本规模：缓冲 ERM 与极小极大理论 10-18 从帕累托到偏好：摊销式策略发现实现个性化测试时扩展 10-08 序列测试时扩展中的探索与吸引子逃逸 10-01 自适应循环 Transformer 改进测试时扩展 09-30 Token 解耦的视觉语言潜空间测试时扩展 09-30 MISVO：语言模型最小侵入式引导 09-25 CANOPY：利用分段平滑树先验的多保真老虎机 09-25 ExpBoN：基于指数噪声 Best-of-n 的高效测试时对齐 09-21 超越置信度：面向 LLM 推理的稳定性感知测试时适应 09-11 对话生成工件的修订传播与经济型测试时计算 09-09 TAHI：通过人机交互实现高效测试时适应 09-07 TTPO：测试时策略优化 08-28 测试时对齐 1 ReFrame：证据引导的多模态模型测试时安全对齐 08-24 测试时训练 10 Select-TTT：查询条件化的选择性快速权重更新 10-29 TTPO：无标签测试时策略优化实现自进化 10-27 METTA：面向元强化学习的记忆增强测试时适应 10-25 FETA：面向视觉语言导航的反馈高效测试时适应 10-23 Agentic-TTT：学习测试时训练策略，实现自主参数级改进 10-09 P-TTT：面向个性化奖励建模的测试时训练 09-30 无标签偏置子空间压缩测试时强化学习 09-17 ERPO：面向代码生成测试时强化学习的熵正则秩掩码策略优化 09-09 SSI首个模型传闻：以测试时训练实现“边想边学” 08-26 E²-TTT：兼顾表达力与效率的测试时训练 08-24 状态读出 1 J64/R64：从原生 MoE 路由读出可解释推理状态 08-19 科研智能体 1 自主量化因子挖掘中的搜索规模扩展 09-30 策略优化 2 超越重复采样：学习大模型推理搜索策略 09-23 TailRL：面向高奖励尾部覆盖的强化学习 09-10 算力分配 1 Learning When to Think：自适应分配测试时推理算力 08-21 经验学习 1 经验链：通过测试时交互持续改进 LLM 08-19 缩放定律 1 能力流形：统一机器学习缩放定律与全生命周期资源 09-24 置信度评估 2 置信度校准的评估器引导测试时推理扩展 10-18 USteer：免训练不确定性引导推理，降低模型幻觉 10-01 置信度调度 1 ParaTempo：基于时间置信度的高效并行推理 08-18 能力迁移 1 AI4AI 测试时强弱模型能力迁移：用 Harness 提升小模型表现 08-14 脚手架优化 3 智能体脚手架优化：能力唤起还是能力扩展？ 10-21 STITCH：测试时组合任务专属智能体脚手架 10-01 Harness Learning：可泛化的测试时脚手架自适应 09-30 脚手架演化 3 Harness²：双层递归优化智能体执行框架 10-26 Google Harness²：冻结模型，递归改进 Agent 外壳 10-18 复杂 Harness Evolution 可能不如重复运行 09-16 自我验证 1 LLM-as-a-Verifier：自验证让 DeepSeek V4 Flash 低成本反超闭源模型 08-21 自适应防御 1 自进化多智能体框架防御 LLM 越狱攻击 08-27 视觉推理 2 NAT-ARC：自然图像预训练迁移至ARC视觉推理 10-08 NAT-ARC：自然图像预训练迁移至ARC视觉推理 10-01 视频生成 1 ID-Forcing：测试时分布内强制实现长视频生成 10-08 评测审计 3 测试时扩展曲线的可信认证与低成本审计 10-01 Harness Evolution 公平评测：复杂进化不如多次采样 09-17 两篇论文审视 Harness 自演化的真实增益 09-14 课程发布 1 斯坦福 CS329A：自改进 AI Agent 课程公开 08-26 课程学习研究综述 1 斯坦福新课 CS329A：Self-Improving AI Agents 08-21 过程奖励模型 3 BayesianPRM：可靠性与保守性感知的过程奖励建模 10-19 RSP：通过推理状态传播学习过程奖励 10-01 确定性 PRM 引导为何在离散扩散推理中表现不佳 09-30 过程评测 1 Probe-and-Resume：何时及如何评估智能体执行 10-18 连续推理 1 扩散课程训练实现无时间步迭代推理 09-02 递归自我改进 1 AREX-2以长程反思训练探索递归自我改进 10-27 采样控制 2 后训练中的锐化税：单次准确率与解法覆盖率的权衡 10-08 嵌套序贯蒙特卡洛控制离散扩散生成 08-21 采样校准 1 正确概率更高，答案反而更差：Power Sampling 的失效与修复 08-17 长期记忆 2 TTME：测试时记忆演化以更低成本助力科学发现 10-29 RefCon：面向上下文演化智能体的迭代精炼与对比式记忆提取 10-01 长程任务执行 1 HyperMCTS：超图增强的长程智能体蒙特卡洛树搜索 09-29 闭环自进化 1 Agnes双进化系统：RSI战术演化与机械臂测试时训练 10-22 预训练 1 覆盖率原则：预训练如何赋能后训练 09-14
