Test-Time Scaling (测试时与推理时规模化)
在模型预测（推理/测试）阶段，通过生成和消耗更多的 Token（思考或交互过程）来提升模型端到端解决复杂任务能力的算力规模化范式。
核心内涵
传统的 LLM 对话模式（Chat）是单次输入输出，推理计算量极低。测试时规模化（Test-Time Scaling）允许模型在后台自主生成大量的中间 Token（思考过程或工具交互日志），耗时可以从几秒拉长到几个小时甚至数天，从而能够端到端地解决极其庞大且复杂的任务（如重构整个代码库并跑通所有测试，或攻克高难度开放式数学猜想）。
Source: 2026-06-22-youtube-youtu-be-91fmhAnECVc-si-YJi23juyT-M2MZqu（来源未公开）
两大演进范式
根据与外部环境的交互关系，测试时规模化可分为以下两类主流技术路径：
- “缸中之脑”推理范式 (Reasoning / System 2 Thinking)：
- 典型代表：OpenAI o1 / o3。
- 运作机制：模型与外界没有物理和网络交互，所有的思考都在自身黑盒内部进行。它在做题或回答时，自主提出猜想、隐式进行自我验证（反思）、推翻错误猜想，不断串行迭代，最终输出结果。
- “交互式 Agent”强化学习范式 (Agentic Interaction)：
- 典型代表：Kimi K2、Claude Computer Use、OpenAI Operator。
- 运作机制：模型不局限于内部脑暴，而是与外界数字环境做实时、多轮的交互。例如它会克隆代码库，写几行代码，调用编译器和测试套件，查看报错（状态反馈），调用搜索引擎，修改代码，重新测试，直到成功。
在深水区科学与数学发现中的实证表现
Source: 2026-09-18-bilibili-b23-tv-qS8bNoW-8b50502ccb.md（来源未公开）
- 解决率与思考算力成正比：OpenAI 理论团队实证，在反驳“单位距离猜想（Unit Distance Conjecture）”等前沿数学难题时，随着注入测试时算力预算（Test-Time Compute Budget）的倍增，模型求解成功率可跃升至约 50%。
- 良性自举循环：当前代模型借助长测试算力攻克难题并记录高质量验证轨迹，这些轨迹又反哺成为下一代模型的高效训练数据，从而在更短思考周期内达成更高推理泛化。