本文的第一作者为华为诺亚研究员李向阳，毕业于北京大学，开源组织 BigCode 项目组成员。此前他们团队曾经推出 CoIR 代码检索基准，目前已经成为代码检索领域的标杆 benchmark。其余主要成员也大部分来自 CoIR 项目组。

Test Time Scaling Law远未达到上限! o4-mini仅15.8%通过率，华为诺亚提出代码HLCE终极基准 机器之心 2025-07-07 15:43 发布于 北京 机器之心官方账号 + 关注 ...

3. 测试时扩展规律（Test-time Scaling Laws）未被充分探索：模型在推理时花费更多计算资源能否持续提升性能？ 这个问题在复杂编程任务上尚无定论。 为构建高质量基准，研究团队对 HLCE 题目进行了深度处理。

2025年3月，兰德公司（RAND）发布《当人工智能需要时间思考时：浅谈“测试时计算”的含义》（When AI Takes Time to Think: Implications of Test-Time ...

【主厨对决：寻味川辣真功夫】开启一场无与伦比的风味之旅：厄瓜多尔的古老可可，四川的传奇香料，意大利的百年配方！看Charles、Steven和Ricardo三位大厨在成都展开七道菜的麻辣融合实验，以巧手匠心玩味东西方美食碰撞。完整《Passion ...

China sent a new test satellite into space on Thursday from the Xichang Satellite Launch Center in the southwestern province ...

当前，大模型在 Next Token Prediction 和 Test-time Scaling 两种扩展范式下，通过大规模的数据和模型扩展，实现了能力的持续跃升。但相比之下，奖励模型缺乏系统性的预训练和扩展方法，导致其能力难以随计算量增长而持续提升，成为阻碍强化学习链路进一步扩展的短板。

原因就在于，HLE的考题极难，比如下面这些题，分别是一道关于范畴论中自然变换的数学题、一道关于电环化反映的有机化学题，以及一道从希伯来语原文中区分闭音节和开音节的语言学题。

LENOX, Massachusetts, United States, June 30 (Xinhua) -- In a wooded corner of Eastover Estate & Eco-Village, a dozen tall scrolls, roughly a meter wide and three meters high, sway quietly in summer ...

惊人现象出现了：模型推理并非匀速「爬坡」，而是存在剧烈的「信息脉冲」！在特定步骤，互信息值会突然、显著地飙升，形成显著的「互信息峰值」（MI Peaks）现象。这些峰值点稀疏但关键，如同黑暗推理路径上突然点亮的强光路标！

7月3日消息，软件领域国际顶会ISSTA 2025（International Symposium on Software Testing and Analysis）公布了最 高 奖 ...