主要观点总结
本文是对TTS技术（推理阶段扩展）的系统性综述，提出了一个覆盖全面、多层次、可扩展的“四维正交分析框架”，以解构TTS技术。文章介绍了TTS的背景、研究现状、框架介绍、实践特色、挑战与未来等方面。
关键观点总结
关键观点1: 研究背景
随着大模型训练成本急剧攀升和优质数据逐渐枯竭，推理阶段扩展（Test-Time Scaling, TTS）成为后续研究的核心议题。
关键观点2: 四维正交分析框架介绍
首次提出了覆盖全面、多层次、可扩展的“四维正交分析框架”，包括What to Scale（扩展什么）、How to Scale（怎么扩展）、Where to Scale（在哪里扩展）和How Well to Scale（效果怎么样）。该框架系统解构了TTS技术。
关键观点3: 实践特色
本文注重实用价值，系统评估了不同TTS策略的性价比，并前瞻性地探讨了该技术的未来演进方向，包括轻量化部署、持续学习融合等潜在突破点。
关键观点4: 挑战与未来
TTS当前面临四大挑战：并行扩展的智能性不足、逐步推理中的误差积累、混合策略尚待统一框架以及内生推理缺乏可控性。未来TTS的发展重点包括统一评估指标、拓展到真实场景以及构建具备自适应推理能力的通用智能体。
文章预览
首次提出了覆盖全面、多层次、可扩展的 四维正交分析框架 ， 系统解构TTS技术。 作者丨张启源 吕福源 当训练成本飙升、数据枯竭，如何继续激发大模型潜能？ 随着大模型训练成本急剧攀升、优质数据逐渐枯竭，推理阶段扩展（Test-Time Scaling, TTS） 迅速成为后预训练时代的关键突破口。与传统的“堆数据、堆参数”不同，TTS 通过在推理阶段动态分配算力，使同一模型变得更高效、更智能——这一技术路径在 OpenAI-o1 和 DeepSeek-R1 的实践中已初显威力。 在数学、编程等硬核任务上，TTS 表现亮眼；而在开放问答、多模态理解乃至复杂规划等场景中，它同样展现出巨大潜力。目前，研究者已探索了多种 TTS 策略，如 Chain-of-Thought (CoT)、Self-Consistency、Search 和 Verification， 但该领域仍缺乏统一的研究视角与评估框架。 最近，来自香港城市大学、McGill、人大
………………………………
