PulseAugur
中
实时 08:36:09
English(EN) Test-Time Scaling via Error Localization

新的 TTEL 算法提高了 LLM 推理效率

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为“通过错误定位进行测试时扩展”（TTEL）的新型推理时算法，旨在提高大型语言模型在复杂推理任务上的效率和性能。与以往经常丢弃有效推理前缀的方法不同，TTEL 利用反馈来精确定位 token 级别的错误，从而能够截断错误的轨迹并分支新的生成，同时重用有效的推理前缀。评估表明，TTEL 在 LiveCodeBench、AIME-2025 和 HMMT-2025 等基准测试中显著优于标准方法，以显著更少的生成 token 实现了更好的性能。 AI

影响 该方法有望提高 LLM 推理的效率和准确性，降低复杂任务的计算成本。

排序理由 该集群包含一篇详细介绍 LLM 推理新算法的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的 TTEL 算法提高了 LLM 推理效率

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Rajiv Shailesh Chitale, Rahul Madhavan, Taneesh Gupta, Deepanway Ghosal, Aravindan Raghuveer ·

    Test-Time Scaling via Error Localization

    arXiv:2607.21453v1 Announce Type: new Abstract: Scaling inference-time computation has emerged as a reliable method to improve the performance of large language models on complex reasoning and programming tasks. However, standard approaches such as independent sampling and sequen…

相关实体

相关话题