本次查询：Test-Time Compute
中文解释：测试时计算
常见场景：大模型推理优化 / 复杂逻辑推理任务 / 实时智能决策系统
一句话解释
Test-Time Compute（测试时计算）是指在模型推理阶段动态增加计算量，通过额外推理步骤（如多次采样、自洽性检查或深度搜索）来提升输出质量的一种技术。
它不同于传统的固定前向传播，而是允许模型根据输入复杂度“按需思考”，从而在数学、逻辑推理等任务上获得更准确的结果。
为什么会被关注
随着大模型普及，简单任务仅需一次前向即可完成，但复杂推理（如数学证明、多步规划）往往需要更深度的思考。Test-Time Compute让模型能在推理时“多花时间”，显著提升准确率，因此受到学术界和工业界广泛关注。
此外，随着推理成本持续降低，动态分配计算资源比单纯扩大模型规模更经济，成为提升模型能力的另一个重要杠杆。
核心逻辑
核心思想是：模型在测试时不再执行固定计算量，而是根据问题难度自适应调整推理深度。常见做法包括多次采样并投票（自洽性解码）、引入验证器对中间步骤打分并回溯，或构造树状搜索路径。
这些方法本质上是将训练阶段的“试错”机制迁移到推理过程，使模型能自我纠错和优化。计算开销动态增长，但换来更可靠的输出，尤其适合对准确性要求高的场景。
常见场景
数学应用题解答：模型通过多次枚举解题路径，对结果执行自洽性匹配，大幅降低算术错误。代码生成：对候选代码执行多轮模拟执行与错误修复，提升通过率。
对话系统：在生成回答前，模型先模拟用户可能的反驳，并修正初始回答。搜索与规划：在棋类博弈或路径规划中，通过树搜索评估不同状态，做出更优决策。
容易混淆的点
容易与“思维链”（Chain-of-Thought）混淆。思维链是一种提示方法，引导模型逐步推理，但计算量固定；而Test-Time Compute强调动态调整计算资源，可包含多次推理。
也容易与“训练时计算”混淆。训练阶段用于优化权重的计算量，与推理阶段的动态计算是不同范畴。此外，它不是对模型参数的修改，而是推理策略的改进。