一分钟读论文：《测试时扩展：瓶颈在筛选，不在采样》
内容提要
该论文首次在开放生成任务上对比五种测试时扩展方法，发现瓶颈不在生成候选（探索有效），而在选择最终答案（利用失效）。奖励模型相关性低，BoN近乎随机，Fusion仅回收约40%增益。树搜索多样性坍缩，自我修正多无效。结论：候选池非瓶颈，选择才是，Fusion是目前唯一一致有效方法。
延伸解读
验证器失效是核心瓶颈
论文指出，在开放生成任务中，当前开源奖励模型与人类判断的相关性极低（Spearman 相关系数仅约 0.1），导致基于奖励模型的 Best-of-N 选择近乎随机。这意味着，即使生成大量候选，若无法有效筛选，最终质量提升有限。这一发现挑战了“更多采样必然更好”的直觉，强调了验证环节的重要性。
Fusion 方法的相对优势
在对比的多种测试时扩展方法中，Fusion 是唯一一致有效的方法，能回收约 40% 的潜在增益，而 BoN 仅约 15%。这表明，简单的多数投票或合成式选择可能优于依赖单一奖励模型。但论文也强调，剩余约六成增益仍是开放问题，Fusion 并非最终解决方案。
树搜索与自我修正的局限
树搜索方法（如 Particle Filter）在多样性上坍缩，输出候选高度相似，等效于单条轨迹，导致探索与利用同时失效。自我修正（Sequential Refinement）仅在特定基准（如 PRBench）有效，在其他任务上可能变差，且部分增益被冗长度混淆。这提醒开发者，这些方法并非通用，需谨慎评估。
Q&A
测试时扩展的瓶颈是什么？
测试时扩展的瓶颈不在生成更多候选（探索有效），而在从候选池中选出最终答案（利用失效）。
论文对比了哪些测试时扩展方法？
论文对比了Best-of-N（BoN）、Beam Search、Particle Filter（PF）、Sequential Refinement（SR）、Fusion，以及Budget Forcing作为对照。
为什么说奖励模型在开放生成任务上几乎无法区分好坏？
因为当前一代开源奖励模型在开放生成任务上的Spearman相关仅约0.1，例如Skywork-Reward-V2-Llama-3.1-8B为0.120，Llama-3.1-70B-Instruct-RM-RB2为0.107，导致基于它们的BoN选择近乎随机。
Fusion方法在头空捕获上表现如何？
Fusion方法在头空捕获上平均约40%，是唯一一致有效的方法，但仍有约六成头空未解决。
树搜索和顺序细化在开放生成任务中分别有什么失败模式？
树搜索（如Particle Filter）在多样性上坍缩，输出相似度极高，等效于单条轨迹；顺序细化（SR）只在PRBench上真实提升，在其他基准上无效或变差，且部分增益被冗长度混淆。
论文的实验覆盖了哪些基准和模型？
实验覆盖HealthBench、LEXam、PRBench、WildBench、WritingBench五个开放生成基准，生成器包括OLMo3-7B-Think、OLMo3.1-32B-Think、Qwen3.5-9B和Qwen3.5-35B-A3B。
个人开发者如何复现论文的核心洞察？
个人开发者可以在小规模开放任务上采样N个候选，用LLM裁判打分，对比BoN选择与合成式Fusion，单卡或API调用即可，无需论文级的算力规模。
