Test-time Reasoning
⚠️ 占位内容。该方向 owner 请来填。
我们关心：通过推理时计算（更多 thinking budget / 更好搜索 / 更强自验证）持续提升复杂任务的能力。
我们不关心：纯 prompt engineering 套路。
该方向的 owner
Section titled “该方向的 owner”关键论文（外部）
Section titled “关键论文（外部）”- 待补：OpenAI o1 / DeepSeek-R1 / s1 / Sky-T1
- 待补：Process Reward Model / Outcome Reward Model
- 待补：Tree-of-Thought / Self-Consistency 综述
我们的工作（内部）
Section titled “我们的工作（内部）”占位。
- 项目 A：…
我们关心的开放问题
Section titled “我们关心的开放问题”- R1-Zero 式纯 RL 涌现 reasoning 的最小数据 / 算力门槛在哪？
- Process reward 真的比 outcome reward 更稳吗？哪些任务上反例？
- 推理时算力的边际收益曲线 —— 哪些任务”想得越多越好”，哪些”想多了反而差”？
- 多模态推理：视觉证据如何作为推理 step 的一部分？（参见 视觉原语）
推荐阅读路径（给新人）
Section titled “推荐阅读路径（给新人）”- 第一步：词典 GRPO —— DeepSeek-R1 的核心算法
- 第二步：DeepSeek-R1 原论文（待补解读）
- 第三步：视觉原语 —— 多模态推理的一个具体实例
- 第四步：从 GSM8K / MATH / AIME 一类 benchmark 上手复现一个简化版
该主线的”组内立场”
Section titled “该主线的”组内立场””占位。例：我们更关心推理过程的可解释性 + 可控性，而不是单纯刷 benchmark。