面向评估器引导测试时推理的置信度校准推理扩展

研究将评估器引导推理建模为计算感知的三动作控制器，按预测答案成功率给终止动作打分、用基于 rollout 的续推成功代理给扩展打分，并显式计入计算成本。在留出的宽度扩展与修订任务上，该控制器相比校准选出的固定策略提升了观测效用，同时将归一化在线计算量分别降低约 30% 和 16%。在四个 Qwen3-8B 随机种子上，两种设置的计算量均低于拟合 Q，效用差异较小且方向不一。