智能体为什么需要“Test-time Compute”？
想象你参加高考时突然获得超能力：可以同时写10份卷子，最后选最高分交卷——这就是论文研究的测试时计算扩展（TTS）。当前语言智能体（比如帮你写PPT的AI）遇到复杂任务时，就像考生被最后一道大题卡住：传统方法只能按固定步骤死磕，错一步全盘皆输。

论文：Scaling Test-time Compute for LLM Agents
链接：https://arxiv.org/pdf/2506.12928

更扎心的是，现有提升方法类似“考前猛刷题”（增加训练数据），但OPPO团队发现：考试现场给AI“开外挂”更重要。通过让智能体在推理时多路径探索、适时复盘，竟把GPT-4.1的任务得分从55.76拉到74.55！

四大方法

1 并行采样

核心思路很简单：让AI同时生成多个方案，挑最好的用。但具体玩法有玄机：

• BoN（N选1）：针对整个任务生成N个完整方案，类似交10份作文选最佳
  {方案1,方案2,...,方案N} = AI(题目) → 选最优

• BoN-wise（步步为营）：每做一步都生成N个选项，像下棋时算十步：
  第t步 = AI(题目+前t-1步) → 生成N个选择 → 选最优

2 反射机制

让AI“做完题检查”本是好意，但实验发现频繁复盘会弄巧成拙！

• 每步都反思 → 思维碎片化，得分反降

• 仅当AI“自知不行”时反思（验证模型打分<阈值），效果最佳

3 验证器

当AI生成10个方案，如何选最优？实验对比三大策略：

• 投票制：少数服从多数 → 易被错误方案带偏

• 评分制：专家逐篇打分 → 主观偏差大

• List-wise（天梯PK）：让AI直接对比方案 “A比B好在哪”

4 多样化探索

让GPT-4.1单干？不！拉上Claude/Gemini组队后：

• 各施所长（GPT写代码+Claude查资料）

• Pass@4得分74.55，碾压单干69.14

实验结果

简单任务：BoN暴力出奇迹

调取天气/算数等Level1任务，BoN把准确率从66%→77.36%，堪称“大力出奇迹”。

地狱难度：BoN-wise细火慢炖

面对Level3复杂推理（如多步骤数据分析），BoN-wise以38.46%。因为这类任务像造火箭：错一颗螺丝全盘炸，必须步步谨慎。

反射阈值：设错直接崩盘

血泪教训：当反射阈值设为<5（中频率反思），成绩比不反思还差！

多模型协作：性价比之王

用GPT-4.1+Claude-3.7等四个中等模型协作，成绩超越单用GPT-4.1近20分！

未来智能体进化方向：
论文暗示更高级的“反思触发器”——就像老司机凭感觉知何时换挡，AI也需学会自主判断复盘时机，这或是下一个突破点。

---

备注：昵称-学校/公司-方向/会议(eg.ACL)，进入技术/投稿群

id：DLNLPer，记得备注呦