Interaction Scaling: Grounding the Third Axis of Test-Time Compute
本文引入了“交互缩放”（interaction scaling）作为测试时计算的第三个独立维度，它通过将反馈与评估都建立在现实世界的观察之上，超越了推理与采样的限制，从而使模型能够在传统方法趋于平台期的困难任务上实现持续改进。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你拥有一个超级聪明的机器人艺术家，它会画图、写代码或者设计幻灯片。你想让它制作出一个“完美版本”的项目。通常，当机器人出错时，我们会尝试两种修复方法：
- 思考得更久： 我们告诉机器人：“深呼吸，在画图之前多花点时间思考一下。”
- 尝试更多次： 我们告诉机器人：“画出 100 个不同的版本，然后我们从中选出最好的一个。”
论文指出，这两种方法都遇到了一个玻璃天花板。为什么呢？因为机器人仅仅是在使用它自己的大脑（它的“冻结权重”）和原始的指令。这就像是要求一个人通过盯着自己的画看更久，或者在同一张纸上画 100 次，来发现自己画作中的错误一样。他们无法看到自己原本就不知道的东西。他们陷入了一个封闭的循环。
第三种方法：“现实世界”测试
论文引入了第三种方法，称为交互缩放（Interaction Scaling）。机器人不再只是思考或重试，而是真正去“做”这件事，然后从一个真实的仪器那里获得报告。
你可以这样理解：
- 旧方法： 机器人画了一张幻灯片，看着它说：“嗯，也许文字太大了？”它只是根据自己的意见在瞎猜。
- 新方法（具身交互）： 机器人画了这张幻灯片，然后把它交给了一个卷尺机器人（仪器）。卷尺机器人没有主观意见，它只负责测量。它说：“嘿，这段文字大了 5 个像素，并且溢出了纸张边缘。”绘图机器人听到了这个真实的事实，针对这个具体的错误进行修复，然后再次尝试。
这就是神奇之处：卷尺带来了绘图机器人之前并不具备的新信息。它打破了玻璃天花板。
大陷阱：“盲人法官”
这是故事中最重要的一部分，也是一个有点像剧情反转的部分。论文指出，这种新方法只有在反馈和评分都具有“具身性”（即基于真实测量）时才会奏效。
想象一下你在尝试修复一份幻灯片：
- 具身仪器： 一个测量电脑屏幕上实际布局的工具。它看到了文字重叠的问题。
- “盲人”法官： 另一个观察幻灯片截图的 AI。
论文发现了一个既滑稽又严肃的问题：截图会撒谎。
当你为一张文字溢出边缘的幻灯片截取截图时，相机（截图）会把边缘切掉。那些出错的部分实际上被裁剪掉了！
- 卷尺看到了混乱并说：“修好它！”
- 截图法官看着被裁剪后的图像，觉得毫无问题，于是说：“完美！10/10 分！”
如果你使用“截图法官”来告诉机器人该修哪里，机器人实际上会让幻灯片变得更糟。它会试图修复图中看起来没问题的地方，却对真正的错误部分置之不理。论文显示，在 15 个棘手的学术图表中，截图法官将 14 出 15 个破损图像评为了“完美”，而测量工具却发现其中只有 3 个是真正干净的。
结果：实际发生了什么？
研究人员通过一个“提议者-评审者”（Proposer-Reviewer）的循环，在七种不同类型的任务（代码、幻灯片、网页等）上测试了这一点。以下是他们的发现：
- 对于代码： 当他们让机器人运行代码并读取实际的错误信息（即“具身”反馈）时，他们在困难任务上达到了 100% 的通过率。旧方法（思考更久或从 100 次尝试中挑选最佳）即使拥有完美的“先知”来挑选最佳结果，也会卡在 66% 到 86% 左右。交互循环持续攀升，而其他方法则撞到了墙。
- 对于视觉效果（幻灯片和图表）： 当他们使用测量工具来寻找缺陷时，消除了 40% 到 74% 的布局错误。
- 在幻灯片上，测量工具修复了 73% 的缺陷。
- 在学术图表上，它修复了 74%。
- 在网页上，它修复了 47%。
- 在动画上，它修复了 40%。
- “盲人”法官的失败： 当他们使用“截图法官”来评审幻灯片时，缺陷数量反而上升了（平均每张幻灯片增加了约 2.44 个缺陷）。机器人被盲人法官搞糊涂了，把原本正常的东西弄坏了。
其他模型表现如何？
这不仅仅是关于某一个特定的机器人。他们测试了三个不同系列的 AI 模型家族（Sonnet 4, Qwen3-235B, 和 GPT-5）。在每一种情况下，“交互循环”配合真实测量都能修复错误，而“思考更久”的方法则遇到了极限。交互循环达到了 100% 的通过率且没有波动，这意味着无论机器人的初始状态如何，它都能完美运行。
“学生”的教训
论文还尝试通过展示“老师”机器人的成功修复过程，来训练一个更小、更便宜的机器人（一个 80 亿参数的模型）。
- 这个小“学生”在仅尝试一次的情况下，能完成老师大约 51% 的工作。
- 如果让他们尝试两次，它能完成老师 70% 的工作。
这表明，虽然这种“循环的魔力”是可以被学习的，但循环本身（即真实的测量）仍然是获得最佳结果所必需的。
底线结论
论文总结道，仅仅“思考更久”或“尝试更多次”是不够的，因为机器人被困在了自己的脑海里。要变得更好，机器人需要走出自我，去构建一些东西，并让一个真实的测量工具准确地告诉它哪里出了错。
但有一个前提：你不能使用一个“盲目”的法官（比如截图阅读器）来衡量成功。如果法官看不见错误（因为被裁剪掉了或者太小了），机器人就永远无法学会修复它。论文证明了，具身性（即对反馈和评分都使用真实测量）才是让整个系统运作的秘诀。没有它，机器人只是在原地打转。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。