論文の概要: Adaptive Replay Refinement: Allocating Test-Time Compute Between Revision and Resampling

• arxiv url: http://arxiv.org/abs/2610.28294v1
• Date: Tue, 20 Oct 2026 14:41:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.858887
• Title: Adaptive Replay Refinement: Allocating Test-Time Compute Between Revision and Resampling
• Title（参考訳）: Adaptive Replay Refinement: 修正と再サンプリングの間にテスト時間計算を割り当てる
• Abstract要約: テストタイムスケーリングは、既存のソリューションを精査したり、新しいソリューションを生成するために、追加の推論計算を割り当てる。 既存の手法では、この決定は固定化された洗練スケジュール、自己検証判断、学習したコントローラを用いて行われる。 本稿では、定常修正が一定点に達したときに検出し、解放された計算を新しい独立したサンプルに再配置する訓練不要の手法であるAdaptive Refinement(ARR)を紹介する。
• 参考スコア（独自算出の注目度）: 3.8847221423478207
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Test-time scaling allocates additional inference compute to refining existing solutions or generating new ones. This raises a fundamental question: Should I keep improving this solution, or stop working on it and try a completely new solution? Existing methods make this decision using fixed refinement schedules, self-verification judgments, or learned controllers, which can waste compute or rely on signals that may be incorrect or require additional training. We introduce Adaptive Replay Refinement (ARR), a training-free method that detects when a stationary revision reaches a fixed point and reallocates the released compute to a new independent sample; replay decoding treats the current solution as a draft and verifies unchanged tokens in parallel, enabling efficient fixed-point detection. Across seven models from five families and seven benchmarks, ARR matches majority voting on three of five mathematical reasoning benchmarks at equal compute, while reducing critical-path serial passes by up to 2.4 times. On MATH500, ARR achieves 84.6% accuracy with only 41% of the serial passes required by majority voting. These results demonstrate that detecting refinement exhaustion enables adaptive reallocation from revision to independent sampling, improving inference efficiency while highlighting the limits of self-revision. Code is available at https://github.com/AhsanBilal7/adaptive_refine.
• Abstract（参考訳）: テストタイムスケーリングは、既存のソリューションを精査したり、新しいソリューションを生成するために、追加の推論計算を割り当てる。 このソリューションを改善し続けるべきか、それに取り組むのをやめて、まったく新しいソリューションを試すべきか? 既存の手法では、修正スケジュール、自己検証判断、学習したコントローラを使用してこの決定を行うが、これは計算を無駄にしたり、誤った信号や追加の訓練を必要とする信号に頼ることができる。 本稿では, 定常修正が一定点に達したとき検出し, 解放された計算を新しい独立標本に再配置する訓練不要な手法であるAdaptive Replay Refinement (ARR)を紹介し, リプレイ復号法は現在の解をドラフトとして扱い, 変化のないトークンを並列に検証し, 効率的な固定点検出を実現する。 ARRは、5つのファミリーと7つのベンチマークの7つのモデルで、同じ計算で5つの数学的推論ベンチマークのうち3つに投票し、クリティカルパスシリアルを最大2.4倍削減した。 MATH500では、ARRは84.6%の精度で、過半数の投票で要求されるシリアルパスのわずか41%を達成している。 これらの結果から, 精錬排気の検出により, リビジョンから独立サンプリングへの適応的再配置が可能であり, 自己修正の限界を強調しつつ, 推論効率の向上が図られた。 コードはhttps://github.com/AhsanBilal7/adaptive_refineで入手できる。

関連論文リスト

• RESETTLE: Robotic Recovery through Disagreement-Triggered Retrieval and Efficient Corrective Control [92.47481295713227]
  本稿では,凍結ロボットポリシーのアクション・エグゼクティブ・インタフェースにおいて,効率的なリカバリのためのモデルに依存しないフレームワークであるRESETTLEを紹介する。 適応されたV-JEPAエンコーダを使用して、同じタスクのデモ参照を取得する。 LIBERO-Plus、Meta-World、RoboCasaでは最大8.70%、6.28%、絶対的な成功率6.83%に達する。
  論文  参考訳（メタデータ） (2026-10-08T15:49:03Z)
• Refining Over Resampling: Test-Time Self-Correction for LLM Reasoning [3.8191765711200065]
  本稿では,テスト時間計算を用いて候補解の探索と改良を行う検証自由幅改良フレームワークを提案する。 提案手法は, 難解な復号化, 多数決投票, 検証器ベースのベスト・オブ・N$, ビームサーチ, および複数のオープンウェイトモデル間でのルック・復号化を一貫して改善する。
  論文  参考訳（メタデータ） (2026-08-06T06:38:37Z)
• SVR: Self-Verifying Refinement via Joint Verdict-Confidence Reinforcement Learning for Adaptive Test-Time Compute [62.3458279176813]
  自己検証リファインメント(Self-Verifying Refinement)は、オラクルフリーのマルチターン強化学習フレームワークである。 自己検証を計算制御ポリシとして使用することを学ぶ。 マクロ平均精度は0.563で、平均で2.99回しか推測できない。
  論文  参考訳（メタデータ） (2026-07-30T16:20:58Z)
• REVES: REvision and VErification--Augmented Training for Test-Time Scaling [53.197756110943395]
  本稿では,オンラインデータ/プロンプト拡張とポリシー最適化を交互に行う2段階反復フレームワークを提案する。 我々は、RLベースライン上の+6.5点と、標準マルチターントレーニングにおける+4.0点の利得を観察する。
  論文  参考訳（メタデータ） (2026-06-17T10:37:23Z)
• Scaling Test-Time Compute for Agentic Coding [126.72747643609274]
  本稿では,ロールアウト軌跡のコンパクトな表現に基づくエージェントコーディングのためのテスト時間スケーリングフレームワークを提案する。 当社のフレームワークは,各ロールアウトを,その健全な仮説,進捗,障害モードを保存する構造的な要約に変換する。 提案手法は,SWE-Bench Verified および Terminal-Bench v2.0 におけるフロンティア符号化エージェントの性能を一貫して改善する。
  論文  参考訳（メタデータ） (2026-04-16T17:39:33Z)
• LaSeR: Reinforcement Learning with Last-Token Self-Rewarding [54.72617309922891]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、Large Language Models(LLM)の推論能力を高めるためのコアパラダイムとして登場した。 従来、LLMは2つの異なるプロンプトテンプレートを使用してソリューションと自己検証をシーケンシャルに生成し、効率を大幅に低下させる必要があった。 本稿では,従来のRLVR損失をMSE損失で増大させるアルゴリズムであるLaSeR(Reinforcement Learning with Last-Token Self-Rewarding)を提案する。
  論文  参考訳（メタデータ） (2025-10-16T17:55:11Z)
• Adaptive Rectification Sampling for Test-Time Compute Scaling [10.160759436445526]
  よりきめ細かいレベルでの誤りの修正を支援するために,適応整形サンプリング(AR-Sampling)を提案する。 提案手法により, よりきめ細かいレベルでの再考が可能となり, 解の精度が向上し, 合理的な数のトークンが生成される。
  論文  参考訳（メタデータ） (2025-04-02T02:57:52Z)
• V-STaR: Training Verifiers for Self-Taught Reasoners [71.53113558733227]
  V-STaR はモデル生成解の正しさを判断する DPO を用いて検証器を訓練する。 複数のイテレーションでV-STaRを実行すると、徐々により良い推論器と検証器が得られる。
  論文  参考訳（メタデータ） (2024-02-09T15:02:56Z)

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。