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
- 「氛围验证」研究：近 60% 的形式化证明证明的不是作者本意 — basedjensen · 2026-10-26
- 浏览器助手 Ito 读懂浏览意图，自动把标签页编排成 Flows — andrewkuznet · 2026-10-26
- 康奈尔研究称大脑按线性序列处理语言,挑战乔姆斯基层级语法;印度语言成反例讨论点 — anirbanbandyo · 2026-10-26
- Hi3D V1.0 开源发布：训练资产翻四倍，切片成功率 90% — kimmonismus · 2026-10-26
- Ortet 首次健康评测：34 个开源模型跑 50 项任务，综合排名不够用 — elmanmansimov · 2026-10-26
- HackBench 发布：向 Agent 轨迹注入作弊，压力测试监控器 — DanielKhashabi · 2026-10-26