Anthropic 等机构研究揭示大型推理模型的测试时计算反向扩展现象
原文标题:Inverse Scaling in Test-Time Compute
AI 摘要
Anthropic Fellows Program 等机构构建评测任务,发现延长推理长度反而降低大型推理模型准确率,呈现测试时计算的反向扩展,并归纳出五种失败模式。
关键信息
- Anthropic Fellows Program 等机构构建评测任务,发现延长推理长度反而降低大型推理模型准确率
- 呈现测试时计算的反向扩展,并归纳出五种失败模式
- 研究给出五类测试时计算反向扩展的失败模式,并附带安全含义,可帮助读者理解长推理并非总是增益
速览
- 发布时间
- 更新时间
- 分类
- 论文与研究
- AI 评分
- 68
推荐理由
研究给出五类测试时计算反向扩展的失败模式,并附带安全含义,可帮助读者理解长推理并非总是增益。
相关实体
来源与版权
本文基于 AIHOT 公开 API 的精选标题与 AI 摘要整理,已注明来源并回链;原文版权归原媒体与作者所有,本站不镜像全文。
如何引用
引用本文时请保留标题、日期与永久链接,并注明来源为橙子新闻。
橙子新闻:Anthropic 等机构研究揭示大型推理模型的测试时计算反向扩展现象。2025年7月23日。https://new.nat6.net/news/pfau6cm0y08yi1y2alvpxdj79/