发散-收敛推理：通过结构化解合成扩展测试时计算

一篇来自 arXiv AI 的论文提出发散-收敛推理（DCR），包含生成多种候选解的探索阶段和收敛调解阶段。研究发现单次调解即可放大正确的少数派答案，递归 DCR 在 AIME 2024 和 AIME 2025 上分别达到 93.3% 和 92.0% 的准确率，同时平均计算量减少约 27%。

此前测试时计算是否有效及何时有效缺乏清晰理解。该研究提供证据表明，计算分配可优于均匀扩展，且分歧信息能被系统性利用，这为优化大模型推理提供了新方向。

DCR 机制分两阶段：先探索生成多个答案，再调解收敛。单次调解可提升正确少数派答案比重，递归调解迭代处理分歧并分配计算。简单的、无需训练的离散度指标可衡量探索输出的分歧程度，且分歧越高，调解带来的准确率提升越大。

对依赖多数投票的推理系统有直接影响：多数投票在正确少数派场景失效，DCR 可替代以提升准确率。递归 DCR 在减少约 27% 平均计算的前提下达到更高准确率，可降低推理成本，尤其适用于高精度要求且对成本敏感的产品。

• 在现有推理管线中引入单次调解步骤，无需重训模型即可捕捉正确少数派答案，提升数学等逻辑任务的准确率。
• 基于分歧度量指标开发计算分配策略，优先对分歧大的问题分配更多推理资源，降低整体计算成本。
• 将递归 DCR 集成到智能体系统（如 AutoGPT）中，增强多步骤推理时的纠错能力。

• 分歧指标在不同任务类型上的普适性如何？
• 递归 DCR 在非数学领域的表现是否也优于基准？
• 单次调解是否始终优于多数投票，边界条件是什么？
• 训练自由的分歧度量是否需要调参？