Categories of Inference-Time Scaling for Improved LLM — Sebastian Raschka 系统梳理推理时扩展技术，为提升LLM性能提供

本文深入探讨了无需改变模型权重、仅通过增加推理时计算资源来提升大语言模型性能的各类技术。作者基于大量实验，将这些方法进行了系统性的分类和总结。

• 技术分类清晰化：文章将推理时扩展技术分为思维链提示、自我一致性、最佳N排序等明确类别，并讨论了组合使用的潜力。这为开发者在实际应用中根据需求选择合适的技术组合提供了框架。
• 聚焦训练无关方法：全文专注于推理阶段的优化技术，如拒绝采样与验证器、自我精炼以及解决方案路径搜索。这意味着开发者可以在不重新训练或微调模型的前提下，有效提升现有模型的输出质量和准确性。
• 实践与理论结合：作者分享了其在书籍章节撰写过程中进行的数千次实验的经验与思考，并计划在GitHub上提供更多代码实现。这为工具链开发者和研究人员提供了宝贵的实践洞察和可复现的参考基准。

原文：Categories of Inference-Time Scaling for Improved LLM Reasoning · 作者 Sebastian Raschka