摘要
测试时协作（如自一致性、Best-of-N）常被认为能提升大语言模型推理能力，但收益不均甚至为负。本文提出在固定候选池下，将协作净增益分解为可恢复量、验证信号覆盖度、条件选择质量及对正确输出的损害。研究表明，收益首先受限于 Oracle 差距，其次受信号保真度制约。通过在 LiveCodeBench、MATH 和 GPQA-Diamond 上的实验，本文构建了实用的部署前诊断框架，指导何时应采用协作策略以优化推理表现。
AI 推荐理由
论文核心研究测试时协作对 LLM 推理能力的提升机制、边界及诊断框架。
研究机构
中国信息通信研究院
论文信息