测试时自我博弈：无需验证器的扩展

测试时扩展方法在部署阶段投入额外的计算资源，以提升大语言模型在困难目标问题上的表现。大多数方法依赖验证器对候选解的正确性进行评分，并据此选择或改进模型的输出。然而，在许多部署场景中，并不存在能够有效评判目标问题的强验证器。我们提出 Test-Time Self-Play（TTSP），这是一种利用非对称自我博弈进行测试时扩展的方法，不依赖验证器。在 LiveCodeBench v6 的一个经过难度校准的子集上，TTSP 在我们评估的所有验证器强度下均为表现最佳的方法，而且随着验证器能力减弱，其相对于最强基线的优势进一步扩大；在完全没有验证器的情况下，TTSP 使 mean@8 绝对提升了 35 个百分点。除基础策略对正确答案的覆盖率接近零的情况外，这些增益在不同验证器强度下均能保持。