验证粒度自适应：GRACE框架为测试时扩展找到最优计算效率

测试时扩展（TTS）已成为提升大语言模型推理能力的重要范式，其核心在于通过验证器对候选解进行筛选评分。现有研究多关注验证本身的价值，却忽视了一个关键问题：在给定计算预算下，何种验证粒度能达到最优效率？粗粒度的结果奖励模型与细粒度的过程奖励模型各有利弊，但都无法在所有场景下实现计算最优。

近日，研究者提出统一理论框架GRACE（粒度调节自适应计算效率），首次将验证粒度最优解表达为问题难度、验证器精度和计算预算的显式函数。理论证明存在相变现象：当计算预算充足或问题困难时，细粒度验证占优；而在预算有限、问题简单时，粗粒度验证更有效。该框架将Best-of-N、束搜索和步骤级蒙特卡洛树搜索统一于帕累托最优体系，并推导出自适应粒度策略，可理论保证达到计算-性能的帕累托前沿。

在MATH-500、GSM8K和AIME三个数学推理基准上的实验验证了全部四项理论预测。自适应策略在同等计算量下比固定粒度基线最高提升3.1%的准确率，为实际部署中的计算资源分配提供了理论依据与实用方案。