关于 LLM-SRBench 的报道
共 1 篇相关报道
科学方程发现的测试时间缩放
Test-Time Scaling for Scientific Equation Discovery
AI 洞察该研究首次将测试时间缩放应用到科学方程发现这一开放任务，统一了Best-of-N、顺序细化、树搜索和进化方法为计算分配视图，并发现固定预算下搜索宽度是主导因素。相比此前TTS仅聚焦数学和编程等封闭任务，本次将TTS扩展至开放科学发现，意味着计算分配策略可迁移至更多探索性任务。核心结论TTS从封闭任务扩展到开放科学方程发现。为什么重要该研究证明计算分配策略在开放搜索任务中同样有效，且搜索宽度是关键，为提升科学发现效率提供新方向。影响谁- AI 研究者获得TTS在开放任务中计算分配的系统性对比基准。
- 科学家方程发现工具的搜索策略可更高效利用算力。
- 开发者可参照宽度优先策略优化推理计算分配。
后续看点关注搜索宽度与任务复杂度之间的最优配比，以及该方法在更多科学发现基准上的表现。重要度 68/100