高三教室里，小明和小红水平相当。一模考试，小明 40 分钟做完卷子就趴着睡觉；小红花同样的时间做完，再用剩下的时间逐题检查：把计算重新验算一遍、换一种解法确认结果、对拿不准的题多推演几步。二模成绩出来，小红比小明高出十几分。老师点评：不是小红突然变聪明了，而是她学会了「考试时多花时间检查」。 大模型也有同样的故事。传统模型拿到问题就像小明一样「秒交卷」——你说一句，它立刻回一句，从不回头检查。而测试时计算（Test Time Compute，简称 TTC）的理念是：同一个模型，在回答问题时多投入一些计算量——多推演几步、多尝试几个答案、多验证几遍——最终输出的质量就能显著提升。OpenAI 的 o1 模型就是这一思路的明星代表。 这篇文章会用「考试检查」这条线，带你完整理解 TTC：它是什么、计算花在了哪里、o1 是怎么做到的、收益有多大、怎么控制预算，以及它的代价和边界。

岗位关联

理解 TTC 是在不改变模型参数的前提下、用推理时的计算量换取答案质量的核心理念，是读懂 o1 等推理模型和前沿推理优化方案的关键。

目录
  1. 可视化演示
  2. 概念原理：考试时多检查几遍
  3. 实现方式：检查答案的三种姿势
  4. o1 模型：把检查练成本能的「考神」
  5. 性能收益：多花的力气值不值
  6. 预算控制：检查也要讲性价比
  7. 适用场景：哪些题值得检查
  8. 挑战局限：考试检查的代价
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示Best-of-N/树搜索/自迭代三种测试时计算策略、训练与测试扩展的权衡关系，以及边际递减效应与最优区间。

本节配有交互动效（进入视口后自动加载，约 3KB）。

'+_captions.strategies+'

概念原理：考试时多检查几遍

回到开头的小红。她为什么检查有效？因为她知道，自己第一次作答时可能粗心、可能漏条件、可能算错一步。检查不是重做一遍那么简单，而是把「会做的题」稳定地转化成「做对的题」。这个转化的关键，发生在考试进行中——而不是考试之前。

传统大模型的推理（Inference）流程就像「不检查的考生」：输入一句话，模型基于训练时学到的知识直接生成答案，整个过程一次性完成，没有回头路。训练阶段（Training）决定了模型「会多少知识」，而推理阶段只负责「把知识说出来」。长期以来，研究者把大部分算力都花在训练上，推理时则追求快、省。

测试时计算把注意力转向了推理阶段。它允许模型在生成答案之前、期间或之后，投入额外的计算资源：写一份推演草稿、生成多个候选回答、反复比对验证，最后才给出结论。这笔额外开销记为 C_test，与训练开销 C_train 合在一起，构成模型生命周期里的总计算量。TTC 的核心命题就是：在 C_test 上多花一点预算，不必改动 C_train，也能换来更高的答案质量。

所以 TTC 不是什么魔法，它把「考试时多检查」这件朴素的事搬到了模型身上。同一个模型、同一份训练数据，推理策略不同，最终表现可以差出好几个数量级。这正是它吸引人的地方——不动模型一根汗毛，只调整「交卷前的动作」，成绩就上去了。

Ctotal=Ctrain+Ctest\displaystyle C_{\text{total}} = C_{\text{train}} + C_{\text{test}}
通俗说：总计算开销 = 平时学习花的力气 + 考试时检查花的力气。TTC 就是在后半部分上做文章。
  1. 总计算量 C_total模型从训练到推理的全生命周期总计算开销，相当于「学习+考试」的全部精力投入。
    CtotalC_{\text{total}}
  2. 训练计算量 C_train平时「刷题学习」阶段消耗的算力，对应模型学习知识库的过程。
    CtrainC_{\text{train}}
  3. 推理计算量 C_test回答问题时额外「检查验算」投入的算力，是 TTC 关注的焦点。
    CtestC_{\text{test}}

实现方式：检查答案的三种姿势

小红检查试卷时，通常有三种姿势。第一种，沿着自己的解题过程重新读一遍，看每一步有没有漏洞——这叫「顺着看」。第二种，把同一道题用另一种方法完全重做一遍，两边答案一致才算放心——这叫「换着做」。第三种，做完所有题后，让旁边成绩更好的同学帮忙把把关——这叫「找外援」。

TTC 世界里正好对应三种主流实现方式。第一种是思维链（Chain-of-Thought）：让模型把推理步骤一步步写出来，而不是直接跳到最后答案。写步骤的过程给了模型「自我发现」的机会，很多错误在书写过程中就被纠正了。第二种是多次采样 + 多数投票（Majority Voting）：同一个问题让模型独立生成 N 个答案，统计哪个答案出现得最多，就选它。相当于让 N 个「平行时空的自己」各做一遍，以众数为准。第三种是验证器重排（Verifier Re-ranking）：额外训练一个打分器，对多个候选答案逐一评分，挑分数最高的输出——这就是「找外援」。

多数投票的数学表达非常简洁：每个候选答案 y 的得票数等于所有采样结果中等于 y 的次数，最终选择得票最多的那个。

三种姿势可以叠加使用：先思维链写步骤，再多次采样扩大候选，最后用验证器挑最优。计算量花得越多，答案越稳——当然，前提是你知道怎么花。这就像小红检查时既顺着看、又换着做、还请了外援，自然比只盯着答案发呆的小明强得多。

y^=arg⁡max⁡y∈Y∑i=1N1[yi=y]\displaystyle \hat{y} = \arg\max_{y \in \mathcal{Y}} \sum_{i=1}^{N} \mathbb{1}[y_i = y]
通俗说：N 个答案中谁被重复得最多，就选谁。群众的眼睛是雪亮的。
  1. 每次采样 y_i模型第 i 次独立生成的回答，每次采样都从模型的概率分布中抽出一个结果。
    yi,i=1,2,…,Ny_i, \quad i = 1, 2, \dots, N
  2. 投票计数遍历所有候选答案 y，统计被多少样本选中。示性函数 1[...] 在条件成立时取 1，否则取 0。
    ∑i=1N1[yi=y]\sum_{i=1}^{N} \mathbb{1}[y_i = y]
  3. 众数结果在所有候选答案中，挑取得票数最高的那个作为最终输出。
    y^=arg⁡max⁡y(得票数)\hat{y} = \arg\max_{y} (\text{得票数})

o1 模型：把检查练成本能的「考神」

小红只是「会检查」，而真正的高手把检查练成了本能。考场上的顶尖学霸不会在每道题上都平均用力，他会快速判断题目难度，简单题直接过，中等题一边做一边验，压轴题则反复推演、尝试多条思路，甚至推翻重来。OpenAI 的 o1 模型，就是被训练出了这种「考试本能」的学霸。

o1 是第一个把测试时计算大规模产品化的前沿模型。普通大模型被训练成「看到问题立刻作答」，o1 则通过强化学习学会「多想一想再作答」。它在推理时会生成一段很长的内部思考轨迹（俗称隐藏思维链），包含多步推演、假设检验和回溯，最后只把结论呈现给用户。训练 o1 时，奖励函数会鼓励模型在推理过程中多探索、多验证——思考质量越高，最终答案越有可能正确，模型就越倾向采用这种思考策略。

从强化学习的视角看，o1 的优化目标是最大化思考轨迹对应的期望奖励，这里的奖励直接由最终答案是否正确决定。

o1 的意义在于证明了 TTC 不只是实验室里的技巧，而是一条可以产品化的道路。当你在屏幕上看到 o1 显示「正在思考……」时，你要知道，那不是卡顿，而是它的「检查时间」——它正在用训练阶段学到的考试策略，为你的问题付出额外的计算量。

J(θ)=Eτ∼πθ[R(τ)]\displaystyle J(\theta) = \mathbb{E}_{\tau \sim \pi_{\theta}} \left[ R(\tau) \right]
通俗说：模型的思考轨迹 τ 就像「检查过程」，奖励 R 就像「检查后的得分」。o1 被训练成总是选择得分期望更高的检查策略。
  1. 策略 π_θ参数为 θ 的模型，定义了生成各种思考轨迹的概率分布。
    πθ(τ)\pi_{\theta}(\tau)
  2. 轨迹 τ一次完整推理过程中的思维链加上最终答案，可以理解为「检查过程的完整记录」。
    τ=(CoT,answer)\tau = (\text{CoT}, \text{answer})
  3. 期望奖励对所有可能轨迹的奖励求加权平均，目标是找到让期望奖励最大化的策略参数。
    Eτ[R(τ)]\mathbb{E}_{\tau} [R(\tau)]

性能收益：多花的力气值不值

小红多检查半小时，真的能提分吗？答案是：能，但有边界。做口算题，检查 30 遍也不会让 1+1 变成别的数；做压轴大题，多检查几遍却可能从「毫无思路」变成「完整解出」。检查的价值，取决于题目本身值不值得检查。

TTC 的收益同样遵循这种「先快后慢」的规律。以小学数学应用题数据集 GSM8K 为例：直接作答（零额外计算）准确率约 50%；加上思维链，准确率提升到 70% 左右；再做多次采样与多数投票，可以接近 90%。但这个提升不是线性的——完成从 50% 到 90% 的跨越，只需少量额外计算；而想从 90% 提升到 95%，往往需要翻好几倍的计算量。经验上，准确率与推理计算量的关系可以近似写成一条指数饱和曲线。

这条曲线给我们的启示是：TTC 的投资回报率在最开始最高。对大多数实际系统来说，与其让模型「无限检查」，不如把预算花在刀刃上——用最少的额外计算拿到最大的提升，这和考试中「先把会做的题全部做对，再钻研难题」是一个道理。

Acc(Ctest)=90−50e−0.4Ctest\displaystyle \text{Acc}(C_{\text{test}}) = 90 - 50e^{-0.4 C_{\text{test}}}
通俗说：这是「收益递减」的数学形式——一开始投入回报大，越往后越接近天花板。
  1. 基础准确率当额外计算量为 0 时，准确率等于 90 - 50 = 40%，对应「直接作答」的基线水平。
    Acc(0)=90−50=40\text{Acc}(0) = 90 - 50 = 40
  2. 增长项随着测试时计算量 C_test 增加，指数项不断减小，准确率随之上升。
    50e−0.4Ctest50e^{-0.4 C_{\text{test}}}
  3. 天花板当计算量趋于无穷时，指数项趋近于 0，准确率收敛到 90% 的上限。
    lim⁡C→∞Acc(C)=90\lim_{C \to \infty} \text{Acc}(C) = 90

预算控制：检查也要讲性价比

考场上的时间就那么多，小红不可能对每道题都检查到最后一秒。聪明的做法是：先快速扫一遍卷子，把简单题直接拿下，把时间省给中难题；对压轴题，先花三分钟试一种思路，不行就换另一种；最后还剩五分钟时，不管有没有做完，都要停下来涂答题卡。这就是预算控制。

TTC 系统同样需要计算预算管理。如果对每个问题都无脑堆计算，成本会迅速失控，用户体验也会变得不可接受。常见的策略有三：一是按难度分配——用一个小模型或启发式规则预估问题难度，难题给更多采样次数；二是自适应长度——让模型根据推理过程的置信度决定何时停止继续思考；三是超时保护——设置硬性的计算量上限 C_max，一旦达到上限就强制终止，输出当前置信度最高的答案。实际工程中还有几条铁律：用小模型预估难度、把采样过程并发化、动态调整超时阈值，这些都能显著降低 TTC 的边际成本。

数学上，每个请求的预算可以写成难度估计值的线性函数，并受上限约束。

预算控制的本质是把「检查时间」当作一种稀缺资源来分配。同一个模型，预算分配得好，简单题秒答、难题深入思考，整体体验远胜于对每道题都「平均用力」。这也是 TTC 从论文走向工程必须要跨过的一道坎。

Ctest(x)=min⁡(Cmax⁡,  α⋅d(x))\displaystyle C_{\text{test}}(x) = \min \left( C_{\max}, \; \alpha \cdot d(x) \right)
通俗说：题目越难，允许的检查时间越长，但无论如何不能超过总预算 C_max。
  1. 难度估计 d(x)对输入问题 x 的困难程度打分，取值通常在 0 到 1 之间，1 表示极难。
    d(x)∈[0,1]d(x) \in [0, 1]
  2. 线性预算通过系数 α 把难度映射成计算预算，难度越高，分配的检查资源越多。
    α⋅d(x)\alpha \cdot d(x)
  3. 上限截断取预算与上限的较小值，保证任何请求都不会消耗超过 C_max 的计算量。
    min⁡(Cmax⁡,… )\min(C_{\max}, \dots)

适用场景：哪些题值得检查

如果整张卷子都是判断题和默写题，小红就算把检查时间用到极致，分数也纹丝不动。反之，如果卷子里有大量需要多步计算的大题，检查的价值就非常可观。所以「检查有没有用」首先要问：「题目是不是那种值得检查的题？」

TTC 最适合具有「可验证性」的任务——存在明确的标准答案，或者结果可以被自动检验。三类典型场景：数学推理（步骤可逆推、结果可验证）、代码生成（生成的程序可以运行单元测试）、复杂规划（多步决策可以模拟回放、检查每一步是否合理）。在这些场景里，思维链、多次采样、验证器都有用武之地。反之，在开放对话、创意写作、情感分析等主观任务上，TTC 的收益很小——没有一个「标准答案」存在，多算几遍并不能让故事变得「更正确」。

判断一个场景值不值得引入 TTC，可以计算投入产出比：每多花一份计算成本，能换来多少准确率提升。

用考试来类比就是：检查大题的收益远高于检查选择题。做 TTC 方案时，第一步不是调参数，而是先确认业务场景是否具备可验证性。选错了战场，付出再多计算量也是白费。

ROI=AccTTC−AccbaseCtest−Cbase\displaystyle \text{ROI} = \frac{\text{Acc}_{\text{TTC}} - \text{Acc}_{\text{base}}}{C_{\text{test}} - C_{\text{base}}}
通俗说：划算不划算，取决于「多花力气带来的分数提升」有多大。
  1. 准确率提升 ΔAccTTC 方案与基线方案的准确率之差，衡量「多检查」带来的收益。
    ΔAcc=AccTTC−Accbase\Delta \text{Acc} = \text{Acc}_{\text{TTC}} - \text{Acc}_{\text{base}}
  2. 额外成本 ΔCostTTC 方案与基线方案的推理计算量之差，衡量「多检查」付出的代价。
    ΔCost=Ctest−Cbase\Delta \text{Cost} = C_{\text{test}} - C_{\text{base}}
  3. 投入产出比 ROI每单位额外计算成本带来的准确率增益，ROI 越高越值得投入。
    ROI=ΔAccΔCost\text{ROI} = \frac{\Delta \text{Acc}}{\Delta \text{Cost}}

挑战局限：考试检查的代价

考试检查不是没有代价。小红有时候把对的答案改错了；有时候在一道难题上死磕太久，导致后面的简单题没时间做；有时候明明已经做完了，却因为反复检查而怀疑自己，把心态搞崩。这些「过度思考」的代价，TTC 同样存在。

TTC 的局限可以概括为四件事。成本：一次深思熟虑的推理，计算量可能是普通推理的 10 到 100 倍，直接反映在服务器开销和电费上。延迟：用户不会永远愿意等——你问一句「今天天气如何」，等一分钟才回复是不可接受的。过度思考：模型可能对简单问题反复摇摆，甚至把本来正确的答案改错，这也是为什么预算控制至关重要。验证依赖：TTC 的收益高度依赖任务可验证性，在没有标准答案的领域，思维链和投票都只是「自我感觉良好」。从 Scaling 角度看，边际收益随计算量增加而衰减。

理解了这些代价，才能真正用好 TTC。它不是免费的午餐，而是一笔需要精打细算的投资。就像小红最终学会了「看菜下饭」——简单题不过多纠缠，难题才全力投入——一个成熟的推理系统，应该把 TTC 用在值得的地方，并时刻守着预算这条生命线。进阶的学习路线，也自然沿着「可验证任务 → 预算控制 → 验证器训练 → 强化学习思考策略」层层深入。

ΔAcc(C)≈k⋅C−α\displaystyle \Delta \text{Acc}(C) \approx k \cdot C^{-\alpha}
通俗说：每多投入一份计算，带来的额外收益越来越小，这是 TTC 的物理天花板。
  1. 边际收益 ΔAcc在计算量 C 的基础上，再微小增加一点计算量带来的准确率增量。
    ΔAcc(C)\Delta \text{Acc}(C)
  2. 幂律衰减收益与计算量的负幂次成正比，C 越大，增益项越小。
    C−αC^{-\alpha}
  3. 衰减指数 αα 是大于 0 的常数，刻画收益下降的速度，α 越大衰减越快。
    α>0\alpha > 0

AI 应用场景

数学竞赛辅导系统

阶段：推理优化

解决的问题：传统大模型直接作答竞赛题的准确率偏低，经常在关键步骤出错；对同一道题反复「硬想」也得不到更好结果。引入 TTC 后，系统让模型先写出完整思维链，再多次采样候选解法，最后用验证器对每一步推理打分，选出最可靠的解答。这样即使模型本身没有变强，输出的正确率也会大幅提升。

具体案例：某在线数学学习平台接入推理模型后，将竞赛题解答正确率从 45% 提升到 85%。代价是平均响应时间从 2 秒增加到 20 秒，平台通过「简单题秒答、难题多思考」的预算控制策略，把整体体验维持在用户可接受的范围。

代码自动修复助手

阶段：推理优化

解决的问题：大模型生成的代码补丁经常无法通过编译或测试，传统做法是让工程师反复修改提示词。TTC 让模型一次性生成多个候选补丁，再用自动化测试作为「验证器」运行每个补丁，选出唯一通过测试的那个。

具体案例：某 AI 编程助手的 Bug 修复功能，从「生成 1 个补丁直接返回」改为「生成 10 个补丁并行跑测试，只返回通过的版本」，修复成功率提升了近一倍，误报率大幅下降。因为「能通过测试」这个验证条件天然适合 TTC，投入回报极高。

自动化运维智能体

阶段：推理优化

解决的问题：运维智能体在执行多步骤操作时，一步出错可能导致严重后果。TTC 让智能体在行动前先进行多轮「沙盘推演」——用思维链模拟每一步操作的结果，评估风险后再真正执行。

具体案例：某云计算公司的智能运维系统，在处理「磁盘扩容」这类多步任务时，先让模型规划完整操作序列，再对每一步做模拟验证；只有全部步骤通过模拟的任务才被真正执行。系统操作成功率从 60% 提升到 95%，危险操作次数下降 80%。

Python 演示

python57 行
# -*- coding: utf-8 -*-"""测试时计算模拟：多数投票与动态预算分配""" import randomfrom collections import Counter  class WeakModel:    """弱模型：不同难度题目的基础正确率不同"""     def __init__(self, acc_map):        self.acc_map = acc_map        self.wrong_pool = ["选项A", "选项B", "选项C", "选项D"]     def answer(self, question, difficulty):        """返回一个回答，可能正确也可能错误"""        if random.random() < self.acc_map[difficulty]:            return question        return random.choice(self.wrong_pool)  def majority_vote(model, question, difficulty, n_samples):    """多次采样 + 多数投票：用众数作为最终答案"""    votes = [        model.answer(question, difficulty)        for _ in range(n_samples)    ]    return Counter(votes).most_common(1)[0][0]  def assign_budget(difficulty):    """动态预算：难度越高分配越多采样次数"""    budget_map = {"easy": 1, "medium": 5, "hard": 30}    return budget_map[difficulty]  def evaluate(model, difficulty, n_samples, trials=500):    """统计指定难度和预算下的最终准确率"""    question = "标准答案"    hit = 0    for _ in range(trials):        if majority_vote(model, question, difficulty, n_samples) == question:            hit += 1    return hit / trials  def main():    model = WeakModel({"easy": 0.95, "medium": 0.60, "hard": 0.35})    print("难度     预算     准确率")    for difficulty in ["easy", "medium", "hard"]:        budget = assign_budget(difficulty)        acc = evaluate(model, difficulty, budget)        print(f"{difficulty:6s}  {budget:3d}次  {acc:7.2%}")  if __name__ == "__main__":    main()
目的：模拟「同一个弱模型 + 不同采样预算」的 TTC 效果，展示按难度分配计算预算时准确率的变化。
  1. self.acc_map = acc_map保存不同难度题目的基础正确率，相当于给不同「科目难度」预设答题水平。
  2. random.random() < self.acc_map[difficulty]以对应概率返回正确答案，否则从错误池中随机抽一个，模拟模型的「粗心错误」。
  3. Counter(votes).most_common(1)[0][0]统计所有候选答案，取出现次数最多的那个，实现多数投票。
  4. budget_map = {"easy": 1, "medium": 5, "hard": 30}简单题只采样 1 次，难题采样 30 次，体现动态预算控制思想。
  5. hit / trials用大量重复实验估计准确率，让随机波动的影响降到最低。

常见误区

误区我以为 TTC 就是让模型变得更大更强，多花计算是指训练更大的模型、用更多的参数。反正效果提升都来自「烧更多算力」。

正解完全不是一回事。TTC 不改变模型参数量，也不修改训练过程，它是在推理阶段多花计算——同一个模型、同样的权重，只是回答问题时多思考几轮、多采样几次。「考试时多检查」和「考前换个更聪明的脑子」是两种截然不同的策略。

为何常见：大家习惯把「效果提升」和「模型变大」绑定在一起，忽略了推理策略本身也是一项可以优化的变量。

误区反正多花计算就能提升性能，那所有任务都上 TTC 好了，简单问答、闲聊、写作文统统先把计算量拉满。

正解TTC 只对「有标准答案、结果可验证」的任务有效，比如数学推理、代码生成、多步规划。对开放对话、创意写作等主观任务，不存在「标准答案」，多算几遍也不会让回答变得「更正确」。

为何常见：看到论文里 TTC 让准确率翻倍，容易以为有普适性，忽略了那是特定可验证任务上的实验结果。

误区既然 TTC 有效，那就把预算拉满，采样 100 次一定比采样 10 次好。计算量翻倍，准确率也翻倍，何乐而不为？

正解收益曲线是「先快后慢」的指数饱和形态，计算量超过阈值后准确率提升趋近于零，甚至可能因为过度思考而轻微下降。采样太多不仅浪费算力，还可能引入「重复性错误」——模型会以同样错误的方式错很多次。

为何常见：多数投票的直觉是「次数越多越稳」，忽略了模型采样之间的错误是相关的，不是独立随机的。

误区o1 在推理时「即兴发挥」地思考，模型自己决定要思考多久、怎么思考，这种能力是推理时自然涌现出来的。

正解o1 的「思考策略」是训练阶段通过强化学习学出来的。它知道何时该多思考、何时该收手，是训练时用大量数据和算力打磨出来的行为模式，不是推理时随机出现的。推理阶段只是执行这套学到的策略。

为何常见：从用户视角看，模型确实在推理时「想」了很久，容易误以为思考能力是在线涌现的，忽略了背后的强化学习训练。

面试题

Q1. 测试时计算（TTC）发生在哪个阶段？

单选题 · easy

  • A.数据预处理阶段
  • B.模型训练阶段
  • C.推理响应阶段← 正确答案
  • D.模型评估阶段

答案：C。TTC 的核心是「推理时多花计算量」，发生在模型收到问题到输出答案的推理响应阶段。数据预处理、训练、评估都发生在推理之前，不涉及「回答问题时检查」的含义。

Q2. 下列哪项属于典型的 TTC 方法？

单选题 · easy

  • A.扩大训练数据
  • B.增加模型参数
  • C.采用思维链← 正确答案
  • D.提升学习率

答案：C。思维链（Chain-of-Thought）让模型在推理时写出详细步骤，是 TTC 的典型实现方式。扩大训练数据、增加模型参数属于训练阶段的改进，提升学习率是优化器参数，都与「推理时多花计算」无关。

Q3. 多数投票中，模型被要求回答同一个问题 11 次，结果 5 次输出 A、4 次输出 B、2 次输出 C，最终答案应该是什么？

单选题 · mid

  • A.随机选一个答案
  • B.最终选择答案 A← 正确答案
  • C.最终选择答案 B
  • D.最终选择答案 C

答案：B。多数投票取出现次数最多的答案，A 出现了 5 次、B 出现 4 次、C 出现 2 次，所以选 A。这就像让多个「平行时空的自己」各做一遍，以众数为准。

Q4. 设直接作答准确率为 50%，加思维链后 70%，再加多数投票到 85%，继续加大预算到 90% 后几乎不再提升。这最符合哪种规律？

单选题 · mid

  • A.准确率线性持续增长
  • B.计算量越大提升越大
  • C.边际收益逐渐递减← 正确答案
  • D.准确率与预算成反比

答案：C。准确率的提升幅度从 20 个百分点→15 个百分点→5 个百分点，说明边际收益在递减，最终趋平。虽然准确率总体上升，但绝不是线性增长，也不是「提升越大」。

Q5. 下列哪些场景更适合使用 TTC？

多选题 · mid

  • A.数学证明题← 正确答案
  • B.代码缺陷修复← 正确答案
  • C.开放型闲聊对话
  • D.多步任务规划← 正确答案

答案：ABD。数学证明、代码修复、多步规划都具有「可验证性」——有标准答案或可通过测试/模拟验证，TTC 收益大。开放闲聊没有标准答案，多算几遍不会让对话变得更「正确」。

Q6. o1 模型的「思考能力」主要来自哪一步？

单选题 · mid

  • A.推理时的随机搜索
  • B.训练阶段的强化学习← 正确答案
  • C.用户给出的思维链提示
  • D.更大的上下文窗口

答案：B。o1 的思考策略是训练阶段通过强化学习学出来的，奖励函数鼓励模型采用质量更高的推理轨迹。它不是推理时随机涌现的，也不是靠用户提示或更大的上下文窗口。

Q7. TTC 的常见实现方式包括哪些？

多选题 · mid

  • A.思维链逐步推理← 正确答案
  • B.多次采样加投票← 正确答案
  • C.增大模型参数量
  • D.验证器重排答案← 正确答案

答案：ABD。思维链、多次采样投票、验证器重排是 TTC 的三大主流实现方式，都发生在推理阶段。增大模型参数量属于改变模型本身，不属于 TTC。

Q8. 设计 TTC 计算预算时，需要权衡哪些因素？

多选题 · hard

  • A.问题本身的难度← 正确答案
  • B.用户可接受的延迟← 正确答案
  • C.推理计算的成本← 正确答案
  • D.训练数据规模大小

答案：ABC。预算控制的核心是根据问题难度分配计算量，同时受用户延迟耐受度和推理成本约束。训练数据规模是训练阶段的事，与推理预算无关。

Q9. TTC 与传统推理的核心区别是什么？

单选题 · easy

  • A.使用更大的模型
  • B.推理时投入额外计算← 正确答案
  • C.改用更小的学习率
  • D.增加训练的数据量

答案：B。TTC 与传统推理用同一个模型，区别只在于推理阶段是否投入额外计算量来检查、验证、改进答案。它不涉及模型规模、学习率或训练数据。

Q10. 当 TTC 计算量超过最优预算后继续增加，最可能发生什么？

单选题 · hard

  • A.准确率持续线性上升
  • B.准确率保持不变直到崩溃
  • C.收益递减甚至轻微下降← 正确答案
  • D.计算越多答案越简洁

答案：C。超过最优预算后，边际收益趋近于零，准确率曲线趋平；在极端情况下，过度思考可能把正确答案改错，导致轻微下降。这与「计算量越大越好」的直觉相反，所以预算控制才如此重要。