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。

阿里通义实验室开源Qwen 3.8 27B模型，以270亿参数在DeepSWE编程测试中超越万亿参数的Opus 4.6 Max，引发热议。其成功依赖“测试时扩展”技术，通过拉长思考时间弥补参数不足，但推理极慢，且存在刷榜争议。本地部署可行，但速度与质量需权衡，参数规模不再是唯一标准。