論文の概要: Budget Boundary Effects in Test-Time Mathematical Reasoning
- arxiv url: http://arxiv.org/abs/2609.38699v1
- Date: Wed, 30 Sep 2026 00:28:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:26.877117
- Title: Budget Boundary Effects in Test-Time Mathematical Reasoning
- Title（参考訳）: 実時間数理推論における予算境界効果
- Abstract要約: 累積トークンキャップは、テストタイムコントローラにキャップ(制限)の停止を選択させ、現在の試行を終了させる(管理者)。
この境界選択を、19,200の公開トレースのペアのオフラインリプレイで測定する。
- 参考スコア（独自算出の注目度）: 4.925333713444691
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A cumulative token cap can fall inside a mathematical derivation, forcing a test-time controller to choose between stopping at the cap (strict) and allowing the current attempt to finish (advisory). We measure this boundary choice with paired offline replays of 19,200 public traces: 120 AIME, BrUMO and HMMT problems and two archive configurations of one model. Candidate order and a 16-attempt cap are fixed, and answer selection is blind to reference answers and correctness labels. Three findings emerge. First, at the 4k cap, most advisory accuracy gains replace abstention with a correct answer; strict stopping pays for an unfinished prefix that the completed-only selector cannot use. Second, comparisons along realized cost differ from same-cap comparisons: advisory 4k in low has higher accuracy than strict 8k at comparable mean completion cost, while in high its observed accuracy is 0.42 points below strict 32k using 59% of its mean tokens. These aggregate comparisons do not establish equal-compute superiority or accuracy equivalence. Third, increased candidate coverage does not guarantee higher answer accuracy: a log-probability selector loses accuracy while coverage rises, including after a source-grade consistency repair. Same-cap majority-accuracy differences shrink below 1.3 percentage points at 32k. Budget curves should jointly state the cap, realized cost, eligible candidates, stopping rule and selector information.
- Abstract（参考訳）: 累積トークンキャップは数式導出の中に落ち、テストタイムコントローラはキャップ(制限)で停止するか、現在の試行を終了させるかを選択せざるを得ない。
120 AIME, BrUMO, HMMT問題, そして2つのアーカイブ構成の1つのモデルを用いて, この境界選択を測定する。
候補順と16対向キャップを固定し、回答の選択は参照回答と正当性ラベルに盲目である。
3つの発見がある。
まず、4kの上限において、ほとんどのアドバイザリ精度は、停止を正しい答えに置き換える; 完了したのみセレクタが使用できない未完了のプレフィックスの支払いを厳格に停止する。
第2に、実現されたコストによる比較は、同じキャップの比較と異なる: 低いアドバイザリー4kは、同等の平均完了コストで厳密な8kよりも高い精度を持ち、高い場合には、平均トークンの59%を使用して、その観測精度は厳密な32kより0.42ポイント低い。
これらの総和比較は同値な優越性や精度の同値性を確立しない。
ログ確率セレクタは、ソースグレードの整合性修復を含むカバレッジが上昇する間に精度が低下する。
同じ割合の多数決精度差は、32kで1.3ポイントを下回る。
予算曲線は、キャップ、実現したコスト、適格な候補、規則の停止、セレクタ情報とを共同で記述すべきである。
関連論文リスト
- Measuring Collapse and Correction in Homogeneous-Panel LLM Debate [51.03982042769297]
マルチエージェント大言語モデル(LLM)の議論は、最終回答が改善するかどうかによってしばしば評価されるが、運動は必ずしも改善されない。
標準的な最終精度評価は、これらの反対のメカニズムを詳述する。
複数選択質問(MCQ)に関する同質な議論のための監査可能なプロトコルを導入し、各実行を、崩壊、修正、オンセット、署名された介入ユーティリティよりも、遷移台帳として記録する。
論文 参考訳（メタデータ） (2026-09-28T14:31:19Z) - Which Medical Questions Deserve Rationales? Perturbation-Sensitive Selection for Robust QA [12.797519888387628]
本稿では,ルート平均2乗ロバスト性に基づくサンプル優先化(RMS-RSP)を提案する。
RMS-RSPは5つのデータセットで同じ方向で平均1.91点と2.85点の堅牢な精度とセマンティック一貫性を改善する。
論文 参考訳（メタデータ） (2026-09-09T03:58:59Z) - PruneShift: A Framework for Evaluating Decision Reliability in Structured Pruning [1.8023933646971537]
構造化プルーニングは、すべての実現可能なマスクに対する直接的なタスク評価が高すぎるため、サロゲート目的を使用する。
本研究では,予測忠実度,セレクタ出力近傍の忠実度,選択されたプルーニング判定の品質を分離する評価フレームワークPruneShiftを紹介する。
論文 参考訳（メタデータ） (2026-08-30T12:52:16Z) - CoBa: Cost-Effective Test-Time Scaling via Compute-Balanced Routing [15.829191594065888]
本稿では,次の計算単位が生成,検証,停止に費やされるべきかどうかをシステムが決定しなければならない計算割当問題として,テスト時間推論を定式化する。
計算バランスの取れたルーティングポリシであるCoBaを導入し、まず少数の候補を最初に獲得し、より安価な検証を広く適用し、不確実性や高価値な候補をルートしてより強力な検証を行う。
論文 参考訳（メタデータ） (2026-08-07T17:12:13Z) - Mind the Cap: Output-Budget Regimes Change the Measured Multilingual Reasoning Gap [2.8890052855500143]
我々はQwen3-8BとLlama-3.1-8B-Instructのトークン・バッジ・アーティファクトであるかどうかを検証した。
我々は、スイープの3つのQwenピークとほぼゼロの値を1024で凍結し、54万デコードで評価した。
論文 参考訳（メタデータ） (2026-08-04T19:18:41Z) - Stage-Replay Divergence Follows the KV Cache: Fixed-Prefix Precision Controls and Bidirectional Cache Transplantation [51.56484100374058]
Stage-replayは中間トークンプレフィックスを再構築し、プレフィックスに最初に到達したデコーダ状態からの継続として、新しいプリフィル継続を処理する。
一致した200itemの実験では、保持されたライブキャッシュと同一の整数トークンのワンショットプリフィルを比較し、両側に正確なレプリカを配置する。
論文 参考訳（メタデータ） (2026-07-30T16:41:40Z) - CEPO: RLVR Self-Distillation using Contrastive Evidence Policy Optimization [50.59956036193097]
検証可能な報酬(RLVR)を用いた強化学習における正しい解を生成するモデル
各トークンは、決定的な推論ステップであれ、文法的なフィラーであれ、同じ報酬信号を受信する。
コントラストエビデンスポリシー最適化(CEPO)を提案する。
CEPOは、全てのトークンに対してよりシャープな質問をする:「正しい答えは、このトークンを好むか?」が、「正しい答えは、正しい答えは、それを好む一方で、間違った答えはそれを好まないか?」。
論文 参考訳（メタデータ） (2026-05-19T06:46:19Z) - Step-wise Rubric Rewards for LLM Reasoning [72.17879367869503]
RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデルの推論を改善するために広く使われている。
正しい回答の18.2%は間違っているが、肯定的な報酬がある。
6つの数学的推論ベンチマークで、SRaRはRaRの平均精度を3.57ポイント改善した。
論文 参考訳（メタデータ） (2026-05-17T07:08:14Z) - Sample Smart, Not Hard: Correctness-First Decoding for Better Reasoning in LLMs [72.82403830490084]
我々は、復号規則は正確さによって校正されるべきであり、自信だけではならないと論じている。
Greedy-Threshold はこの目標を達成するための単純な戦略を提案します。
この結果から,不確実性の下での復号化が問題視され,数学や一般推論のベンチマークで有意な差がみられた。
論文 参考訳（メタデータ） (2025-10-07T14:46:12Z) - Robust Conformal Prediction with a Single Binary Certificate [58.450154976190795]
コンフォーマル予測(CP)は、任意のモデルの出力を、真のラベルを(調整可能な)高い確率でカバーすることを保証した予測セットに変換する。
我々は,MCサンプルが著しく低い場合でも,より小さな集合を生成する頑健な共形予測を提案する。
論文 参考訳（メタデータ） (2025-03-07T08:41:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。