核心发现
方法论
该方法无需训练，利用输出分歧作为信号，动态选择推理策略。框架包括轻量级解析、一致性投票和基于重写的再推理，适用于不同程度的分歧情况。
关键结果
- 在七个数学基准上，准确率提高3%-7%，尤其在困难基准上效果显著。
- 与现有方法相比，采样成本降低，尤其在Math500和Olympiad基准上。
- 在代码生成任务中也表现出色，验证了方法的通用性。
研究意义
该研究为数学推理任务提供了一种高效的测试时扩展方法，通过动态选择策略，显著提高了模型在困难实例上的表现，减少了不必要的计算资源浪费。
技术贡献
提出了一种新的推理策略选择框架，利用输出分歧作为不确定性信号，避免了传统方法中单一策略的计算浪费。
新颖性
首次将输出分歧用于指导推理策略选择，区别于仅在单一策略中分配计算的传统方法。
局限性
- 在简单实例上，重写可能降低性能，因为它可能改变问题的语义。
- 方法依赖于分歧检测的准确性，可能在某些情况下失效。
未来方向
未来可以探索如何在更多任务中应用该策略路由框架，并优化分歧检测的准确性。
AI 总览摘要
大规模推理模型在数学推理任务中表现出色，但在复杂实例上仍不可靠。现有的测试时扩展方法如重复采样、自我纠正和树搜索虽然有效，但在困难问题上常出现收益递减现象。
本文提出了一种新的无训练框架，将测试时扩展视为实例级路由问题，而非在单一策略中分配更多计算。该框架基于输出分歧动态选择不同的扩展策略：对于一致性高的情况，采用轻量级解析；对于中等分歧，采用多数投票；对于高度模糊的实例，采用基于重写的再推理。
实验结果表明，该方法在七个数学基准和三个模型上提高了3%至7%的准确率，同时降低了采样成本。该研究为数学推理任务提供了一种高效的测试时扩展方法，通过动态选择策略，显著提高了模型在困难实例上的表现，减少了不必要的计算资源浪费。
深度分析
研究背景
大规模推理模型在数学推理任务中表现优异，但在复杂实例上仍不可靠。现有的测试时扩展方法如重复采样、自我纠正和树搜索虽然有效，但在困难问题上常出现收益递减现象。
核心问题
如何在测试时动态选择合适的推理策略，以提高模型在复杂实例上的表现，减少不必要的计算资源浪费。
核心创新
提出了一种基于输出分歧的策略路由框架，动态选择不同的推理策略，避免了传统方法中单一策略的计算浪费。
方法详解
- �� 利用输出分歧作为不确定性信号
- �� 轻量级解析用于一致性高的情况
- �� 多数投票用于中等分歧
- �� 基于重写的再推理用于高度模糊的实例
实验设计
在七个数学基准和三个模型上进行实验，比较了多种测试时扩展方法的性能，验证了方法的有效性和通用性。
结果分析
在七个数学基准上，准确率提高3%-7%，尤其在困难基准上效果显著。与现有方法相比，采样成本降低。
应用场景
适用于数学推理任务，尤其是需要动态选择推理策略的场景。
局限与展望
方法依赖于分歧检测的准确性，可能在某些情况下失效。
通俗解读 非专业人士也能看懂
想象一个工厂，有不同的生产线来处理不同的产品。这个方法就像是一个智能系统，可以根据产品的复杂程度，动态选择最合适的生产线，从而提高效率，减少浪费。
简单解释 像给14岁少年讲一样
想象你在玩一个需要解谜的游戏。有时候你会遇到很难的谜题，这个方法就像是一个聪明的助手，可以根据谜题的难度，选择不同的策略来帮助你解开谜题。是不是很酷？
术语表
Large Reasoning Models (大规模推理模型)
指具有强大推理能力的模型，通常用于复杂任务。
在数学推理任务中表现优异，但在复杂实例上仍不可靠。
Test-Time Scaling (测试时扩展)
在推理时分配额外计算资源以提高输出质量的方法。
现有方法如重复采样、自我纠正和树搜索。
Disagreement (分歧)
模型输出之间的不一致性，常用于评估模型的不确定性。
作为选择推理策略的信号。
Rewriting (重写)
通过改变问题表述以提高模型性能的方法。
用于高度模糊的实例。
Majority Voting (多数投票)
通过对多个输出进行投票选择最终答案的方法。
用于中等分歧的情况。
开放问题 这项研究留下的未解疑问
- 1 如何提高分歧检测的准确性，以便更好地选择推理策略。
- 2 在其他任务中应用该框架的可行性和有效性。
应用场景
近期应用
数学推理任务
可以在数学推理任务中动态选择推理策略，提高模型在复杂实例上的表现。
远期愿景
通用推理框架
将该框架应用于更多任务，探索其在不同领域的潜力。
原文摘要
Large Reasoning Models (LRMs) achieve strong performance on mathematical reasoning tasks but remain unreliable on challenging instances. Existing test-time scaling methods, such as repeated sampling, self-correction, and tree search, improve performance at the cost of increased computation, yet often exhibit diminishing returns on hard problems. We observe that output disagreement is strongly correlated with instance difficulty and prediction correctness, providing a useful signal for guiding instance-level strategy selection at test time. Based on this insight, we propose a training-free framework that formulates test-time scaling as an instance-level routing problem, rather than allocating more computation within a single strategy, dynamically selecting among different scaling strategies based on output disagreement. The framework applies lightweight resolution for consistent cases, majority voting for moderate disagreement, and rewriting-based reformulation for highly ambiguous instances. Experiments on seven mathematical benchmarks and three models show that our method improves accuracy by 3% - 7% while reducing sampling cost compared to existing approaches.