Статья предлагает калиброванный по уверенности трёхдействийный контроллер для оценки в тестовом рассуждении

КЛЮЧЕВЫЕ ТЕЗИСЫ

1. 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.
2. 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.
3. Это переосмысляет оценочно-управляемое рассуждение как распределение ресурсов при неопределённости и демонстрирует, что калиброванные уверенности для действий позволяют существенно снизить вычисления в тесте при сохранении полезности.