研究人员推出了一种名为回收搜索体验（RSE）的新颖方法，以提高大型语言模型测试时间扩展的效率。RSE通过将原始轨迹提炼成一个经验库，将测试时间搜索从孤立的试验转变为累积过程。这使得中间结论的积极回收和失败模式的消极回收成为可能，从而减少了冗余推导并修剪了死胡同。在HMMT24和IMO-Bench等基准测试上的实验表明，在相似的计算预算下，RSE的性能显著优于现有基线。 AI
影响 引入了一种减少LLM推理中计算冗余的方法，可能降低复杂推理任务的成本并提高其可访问性。
排序理由 这是一篇详细介绍提高LLM效率新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
