Статья предлагает калиброванный по уверенности трёхдействийный контроллер для оценки в тестовом рассуждении
Статья (arXiv:2610.20836v1) рассматривает оценочно-управляемое рассуждение как проблему принятия трёхдействийного решения с учётом вычислений (довериться, откат или расширить) и обучает контроллер, который оценивает терминальные действия по предсказанной успешности, а расширение — через роллаут-суррогат продолжения, при явном ценообразовании вычислений. Метод обучает специфичные для действий калиброванные уверенности и штрафы за локальную неопределённость; на задачах расширения ширины и ревизии он снижает нормализованные вычисления онлайн примерно на 30% и 16% соответственно по сравнению с фиксированными политиками, при небольших и смешанных различиях в полезности на четырёх семенах Qwen3-8B.