提出选择性策略检索SSR框架

2026年10月15日，arXiv Artificial Intelligence 刊出 Weida Liang 等作者的报道，提出选择性策略检索（SSR）测试时框架。该研究指出，数学推理中策略的“使用”与“可执行性”存在系统性分离：人类与模型生成的策略在结构化、领域相关的方式上存在差异，导致指导效果出现来源依赖的反转。为此，SSR 通过经验性、多路径、来源感知信号，选择性检索并组合策略。报道称，在多个数学推理基准上，SSR 优于直接求解、上下文学习和单源指导，紧凑推理模型在 AIME25 上准确率最高提升 13 分，在 Apex 上提升 5 分。报道同时注明，代码与基准已公开。上述提升幅度与公开范围均出自该报道，尚未见其他来源跟进核实。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。