Test-Time Transfer

测试时迁移通过确定性代码指导增强较弱的AI模型

一篇新研究论文介绍了一种名为“测试时迁移”（Test-Time Transfer）的方法，该方法允许一个更强的AI模型在推理过程中指导一个较弱的模型，而无需重新训练。该技术通过将不稳定的推理过程卸载到确定性代码中、采用路由机制以及强制执行严格的答案格式，显著提高了较弱模型在心智理论基准测试上的表现，平均得分从0.49提升至0.91。研究表明，保真度（即信息的准确复制）通过确定性代码比仅通过指令更容易实现，并且在最弱的目标模型上看到了最显著的改进。