聪惠的揣摸打算远比多的揣摸打算有武威塑料管材设备。
这恰是蚂鸠合团 CodeFuse 团队，用篇 ACL 2026 主会论文考证的中枢论断。
Test-Time Scaling（TTS）是通过在理阶段插足多揣摸打算资源，让 Agent 屡次尝试、探索不同理旅途再选的重要范式，是现时 LLM 在复杂任务上获取 SOTA 的中枢法。
关联词业界主流 TTS 法对统统理措施视同仁地插足揣摸打算，无数 Token 浪费在确定操作上，且多轨迹取舍仅靠"谁得票多"，Agent 自我考证通过率 88 中却有 35.7 是错的——
插足翻倍，收益边缘递减。
针对这近况，蚂鸠合团 CodeFuse 团队提议 EGSS：
通过"器具熵"规画识别不确定有规画点、只在重要措发挥开多候选探索，并创跨轨迹测试整机制用客不雅引申成果替代主不雅评分，两阶段闭环管束揣摸打算冗余与取舍脆弱两大痛点。
EGSS 在 SWE-Bench-Verified 上全模子致擢升 5-10，GLM-4.6+EGSS 达到 74.6 创下开源法新记录，以 K=4 败 K=8 勤俭 38-42Token。
这有劲评释了，聪惠的揣摸打算远比多的揣摸打算有。
TTS 的能危急：越庞大，越腾贵
Test-Time Scaling（TTS）是现时 LLM 在复杂软件工程任务上获取 SOTA 的重要范式——
通过在理阶段插足多揣摸打算资源来探索各样化的理旅途，从而擢升代码生成和 Bug 征战的果。
但施行很骨感：TTS 正在用惊东谈主的资源耗尽换取边缘递加的收益。
痛点：揣摸打算冗余与低探索
现存法遍及采选均匀搜索膨大或大范围类似采样，莫得任何轨迹间的联接机制。
无数揣摸打算被浪费在确定操作上（比如读取文献、肤浅裁剪），而信得过需要入探索的不确定有规画点却得不到富余的揣摸打算资源。
痛点二：补丁取舍机制脆弱
多轨迹 TTS 的终取舍重要频频丢弃中间调试信号，仅依赖末端排序。
这致"共鸣造作"，即多条轨迹敛迹到个看似理但实质造作的补丁上。
实证流露：88 的轨迹包含自我考证，但其中 35.7 仍产出造作补丁——"自我诳骗调试"。
下图为各样 TTS 法在能与 Token 使用量上的衡量，EGSS 位于 Pareto 前沿。
从图中不错明晰看到：
EGSS 在"能 - 资本" Pareto 前沿上占据对势，用少的 Token 罢了了的 Resolved。
两个重要发现：问题出在哪？
发现：不是统统措施王人需要"使劲"
Tool Entropy 分析发现武威塑料管材设备，Agent 轨迹中大部分的看成王人在引申固定化的操作，阐扬为不雅测规画为：
无数措施是低熵确定操作（如读文献），仅少数熵措施才是重要分支点。
均匀分派揣摸打算是严重浪费，应将资源计划于不确定措施。
下图标明，Agent 轨迹中的器具熵散播呈彰着右偏态，大部分措施为低熵操作。
发现二：自我考证≠正确考证
88 的轨迹包含自我考证，但其中 35.7 仍产出造作补丁。
单视角考证会堕入"阐发偏差"——
Agent 自觉得考证通过，实则接纳了补丁。需要跨轨迹的多维度交叉考证。
EGSS 框架：击，闭环考证
EGSS 框架举座架构为，熵引的两阶段闭环。
其中枢想想是：用结构化的架构复杂替代的均匀膨大。
两个阶段分别管束两大痛点。
阶段：动态平缓搜索（DSS）——管束"揣摸打算冗余"
鉴于现存 TTS 对统统措施视同仁地插足揣摸打算，致无数 Token 浪费在确定操作上，而重要有规画点反而探索不及。
是以 EGSS 决定哄骗器具熵识别不确定措施，只在这些"重要支路口"插足极端揣摸打算。
具体怎样作念？
1、及时监控器具熵：每步监控 Htool（at | st），当熵值过阈值（q75 ≈ 1.16）时，判定为不确定有规画点。
2、在熵措发挥开多候选：对熵措施进行 stepwise rollout（默许 4 个候选看成），而非在统统措施王人膨大。
3、引入 Judge 评估与剪枝：过程微调的 Qwen3-8B Judge 对每个候选看成分，结模子似然和 Judge 评分排序，保留 Top-K 质料轨迹。
轨迹评分公式：
基座模子对数似然，斟酌看成的"当然度"；
Judge 评分信号，从五个维度评估看成质料（措施致、高下文感知、标的先、器具使用理、会诊精度）；
驱散两者权重；
长度刑事包袱武威塑料管材设备，塑料挤出机避偏向短轨迹。
重要假想玄学在于，只在 ~25 的熵措施调用 Judge，其余 ~75 着实定措施径直通过。
这意味着 DSS 将揣摸打算资源投放到"需要想考"的措施，而非诀别地撒网。
终，DSS 在调换 K 值下 Oracle 规画于 Repeat Sampling（如 GLM-4.6 K=4：77.4vs73.4），评释熵引的搜索确乎产生了多质料候选。
阶段二：测试整增强（TCA）——管束"补丁取舍脆弱"
鉴于多轨迹 TTS 的终取舍重要丢弃了中间调试信号，仅靠末端排序容易受"共鸣造作"影响，且单轨迹自我考证存在 35.7 的"自我诳骗"率，法可靠远隔正确与造作补丁。
是以 EGSS 取舍将多条轨迹中的异构调试信号整为统的可引申测试套件，用客不雅的测试成果而非主不雅评分来筛选补丁。
四步活水线：
Step 1：调试看成索求
从 DSS 生成的轨迹树中相聚统统调用调试器具（如测试生成、测试引申）的节点，变成调试信号集 A_debug。
这些信号来自不同轨迹的不同视角，具有各样。
Step 2：整测试套件生成
TestConsolidationAgent 分析 A_debug 中的异构调试意图，结代码仓库高下文，成为统的可引申测试文献。
粉饰各条轨迹发现的界限情况、不同追思测试视角、单条轨迹遗漏的测试维度。
Step 3：补丁评估与过滤
TestEvaluationAgent（仅配备 Bash 器具，确保安全隔断）在每个候选补丁上引申整测试套件，揣摸打算通过率，保留通过率过阈值 τ 的补丁。
用客不雅测试成果替代主不雅 LLM 评分——补丁好不好，跑测试说了算。
Step 4：偏好取舍投票
多个立的 PreferenceSelector（Kimi-K2、GLM-4.6、Qwen3-Coder-480B）各自读取代码、应用补丁、引申考证后投票。整测试已过滤大部分造作，投票跨越镌汰单模子偏差。
两阶段的闭环协同：
DSS 通过熵引搜索产生质料、各样的候选集（"种好草"）；TCA 通过跨轨迹测试整和多模子投票从中可靠地选出补丁（"挑好苗"）。
莫得 DSS 的各样候选，TCA 从取舍；莫得 TCA 的可靠筛选，DSS 的好候选也可能被造作淘汰。
实验成果：以少胜多，先
主实验：SWE-Bench 上的冲破
重要发现为，EGSS 在 K=4 时就越了统统基线法，GLM-4.6 达到 73.8，创下开源 LLM 新 SOTA。
Token 率：K=4 败 K=8
下图为不同采样计策下的平均 Token 使用量对比：
完好 Token 耗尽对比
EGSS 用半的候选数目（K=4 vs K=8），不仅勤俭了 38-42 的 Token，还罢了了的准确率。
固然 TCA 自己引入了 3-13 的极端 Token 支出，但 DSS 产生的质料候选使得小的 K 值即可越基线 K=8 的果——这是"以小博大"的典型范式。
补丁取舍：TCA 的厚实势
TCA 在各 K 值下致于 Dei Aug，且跟着 K 增大趋近 Oracle 上界——
这评释 TCA 能有哄骗多候选的势，而不会因噪声加多而退化。
消融实验：Test Consolidation 是中枢驱能源
TC Top1 大幅越飞速基线：GLM-4.6 在 N=8 时擢升 +7.2；
TC Top3 接近 Oracle 上界：GLM-4.6 在 N=8 时 TC Top3 达到 77.6，仅差 Oracle2；
Test Consolidation 是主要能驱能源：整测试套件的排行智力险些涉及表面上界，Augmentation 投票机制提供极端厚实。
中枢启示：结构化复杂 > 膨大
在复杂域如软件工程中，结构化的架构复杂是罢了资本益自主的要前提，而非肤浅的支出。
通过用"熵引的定向探索"替代"的均匀膨大"，用"跨轨迹测试整"替代"单视角考证"，EGSS 在减少 38-42Token 耗尽的同期达到了精度，这解说了聪惠的揣摸打算远比多的揣摸打算有。
代码：https://github.com/codefuse-ai/CodeFuse-Agent
论文：https://arxiv.org/pdf/2602.05242
键三连「点赞」「转发」「防御心」
接待在辩论区留住你的目标！
— 完 —
咱们正在招聘名眼疾手快、关爱 AI 的学术裁剪实习生 � �
感兴味的小伙伴接待关爱 � � 了解细目
� � 点亮星标 � �
科技前沿进展逐日见电话：0316--3233399相关词条:罐体保温施工 异型材设备 锚索 玻璃棉 保温护角专用胶
1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。
