Test Time Scaling

Test Time Scaling（TTS）是人工智慧公司DeepSeek使用的一種模型技術，屬於機器學習模型在推理階段對輸入數據或模型輸出進行調整的動態最佳化手段。2024年11月，英偉達執行長黃仁勛與OpenAI執行長山姆·阿爾特曼在規模定律框架下提出該技術方向，黃仁勛將其命名為Test Time Scaling。

該技術強調通過動態分配算力提升模型效能，而非單純增加參數規模。其核心方法包括並行擴展、序列擴展、搜尋推理及內生最佳化，可套用於數學、編程等硬核任務及開放問答場景。2025年，黃仁勛在CES演講中進一步闡釋其注重資源分配與模型論證能力的特點。同期研究顯示，Test Time Scaling技術通過強化學習教師模型框架提升下游知識蒸餾效率。

基本介紹

• 外文名：Test Time Scaling
• 類型：模型技術
• 使用公司：DeepSeek
• 英文簡稱：TTS

技術介紹

Test Time Scaling，是人工智慧DeepSeek使用的一種模型技術。

發展歷史

人工智慧的繁榮和對英偉達GPU的需求在很大程度上是由“規模定律（scaling law）”驅動的，這是OpenAI研究人員在2020年提出的人工智慧開發概念。這一概念表明，通過大幅增加構建新模型所需的計算量和數據量，可以開發出更好的人工智慧系統，而這需要越來越多的晶片。

2024年11月以來，黃仁勛和阿爾特曼一直在關注規模定律的一個新問題，黃仁勛稱之為“Test Time Scaling”。

技術優勢

Test Time Scaling 的優勢在於無需重新訓練模型即可提升性能，且更加靈活、可控，能適配不同任務和上下文，具有更高的性價比，可節省計算資源，還能增強模型的泛化與推理能力，特別適用於數學、編程、多步驟邏輯任務等。