DeepMind 提出 TTEL：先定位错误，再压缩推理搜索成本
burny_tech · x · 2026-07-25
- 这篇 Google DeepMind 论文提出 Test-Time Scaling via Error Localization（TTEL）：在推理阶段利用反馈，先定位模型在生成中“错在哪一步”。
- 方法不是让模型从头反复重试，而是根据错误定位结果剪掉无效搜索路径，并从有效前缀重新分叉，提升推理和编程任务表现。
- 论文给出的结果包括：在顺序推理任务上取得更好的效率/效果权衡；在 LiveCodeBench 上，Qwen3-8B 的 pass@64 达到 71.0%，同时 token 消耗约为独立采样的一半；在 AIME-2025 和 HMMT-2025 上也优于对比的 test-time baselines。
「研究」频道最新
- HF 工程师争论:非生成任务全用因果注意力是在浪费算力 — antoine_chaffin · 2026-09-11
- 智利学者：AI 反馈规模化是医学教育可持续的关键 — julianvarascom · 2026-09-11
- Nature 新研究实现全身器官细胞活动成像,揭示跨器官体级回路 — arjunrajlab · 2026-09-11
- SignNet 1M 手语数据集发布 — ducha_aiki · 2026-09-11
- ECCV26 口头论文：流匹配实现多视角点云配准 — ducha_aiki · 2026-09-11
- InFlux++ 方法发布 — ducha_aiki · 2026-09-11