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
- 实测智能体数据科学工作流：代码能跑但常答错问题 — hugobowne · 2026-07-27
- 一份横跨 ML、系统、NLP 与音频的经典论文清单 — deliprao · 2026-07-27
- TechCrunch 讨论脑波信号或成 physical AI 训练新钥匙 — TechCrunch AI · 2026-07-27
- NeurIPS 反驳阶段临近：如何写出高质量回复？ — furongh · 2026-07-27
- 一篇名为“在康托空间没人听见你流”的计算机论文 — fkasummer · 2026-07-27
- YC 讨论具身机器人：预训练、记忆和组合行为才是关键 — ycombinator · 2026-07-27