两篇新研究论文介绍了通过测试时扩展来提高大型语言模型(LLMs)推理能力的新颖方法。第一篇论文“Consilience”通过引入一个评估置信度时间不对称性的框架,惩罚初始高置信度但要求最终确定性,从而解决了现有基于置信度方法的局限性。第二篇论文“CoBa”提出了一种计算平衡的路由策略,优化了生成和验证步骤的资源分配,以显著更少的计算资源实现了高精度。 AI
影响 这些方法可能带来更高效、更准确的LLM推理,尤其是在缺乏外部验证工具的应用中。
排序理由 两篇arXiv论文介绍了通过测试时扩展提高LLM推理能力的新颖方法。
在 Hugging Face Daily Papers 阅读 →
- AIME 2024
- AIME 2025
- arXiv
- Hugging Face
- MATH-500
- alphaXiv
- CatalyzeX Code Finder for Papers
- Consilience
- DagsHub
- Gotit.pub
- large language model
- ScienceCast
- Verifier-Free Test-Time Scaling
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →