测试时递归思考：无需外部反馈的自我改进

现代大型语言模型（LLMs）在推理能力方面取得了快速进步，主要得益于使用可验证奖励的强化学习。本文探讨了这些LLMs是否可以在无需额外训练的情况下实现自我改进。我们识别出两个核心挑战：（i）高效生成多样且高质量的候选解决方案，以及（ii）在缺乏真实监督的情况下可靠地选择正确答案。为了解决这些问题，我们提出了测试时递归思考（TRT），一种迭代的自我改进框架，该框架基于特定回滚策略、积累的知识和自生成的验证信号进行生成。通过TRT，开源模型在AIME-25/24上达到了100%的准确率，并且在LiveCodeBench最难的问题上，闭源模型在没有外部反馈的情况下提高了10.4至14.8个百分点。