Can 1B LLM Surpass 405B LLM? Rethinking Compute-Optimal Test-Time Scaling

本文是LLM系列文章，针对《Can 1B LLM Surpass 405B LLM? Rethinking Compute-Optimal Test-Time Scaling》的翻译。

摘要

测试时间缩放（TTS）是一种在推理阶段使用额外计算来提高大型语言模型（LLM）性能的重要方法。然而，目前的研究并没有系统地分析政策模型、过程奖励模型（PRM）和问题难度是如何影响TTS的。缺乏分析限制了对TTS方法的理解和实际应用。在本文中，我们关注两个核心问题：（1）在不同的策略模型、PRM和问题难度级别上，扩展测试时间计算的最佳方法是什么？（2） 扩展计算在多大程度上可以提高LLM在复杂任务上的性能，通过这种方法，较小的语言模型能否超越较大的语言模型？通过对MATH-500和具有挑战性的AIME24任务的综合实验，我们得出以下结论：（1）计算最优TTS策略在很大程度上取决于策略模型、PRM和问题难度的选择。（2） 通过我们的计算最优TTS策略，极小的策略模型可以超越较大的模型。例如，在MATH-500上，1B LLM可以超过405B LLM。此外，在MATH-500和AIME24上，0.5B LLM优于GPT-4o，3B LLM优于405B LLM，7B LLM优于o1和DeepSeek-R1，同时具有更高的推理效率。这些发现表明，根据每个任务和模型的具体特征调整TTS策略具有重要意义，并表明TTS是提高LLM推理能力的一种有前景的方法。我们的网站在https://ryanliu112.github.io/compute-optimal-tts上可用。

1 引言

2 设置和前言