PaT：基于试错后的规划提高测试时代码生成效率
计算与语言
2026-05-11 v1 机器学习
摘要
除了训练时优化外，扩大测试时计算量已成为扩展大型语言模型（LLM）推理能力的关键范式。然而，大多数现有方法采用僵化的试验前规划（Planning-before-Trial, PbT）策略，导致在直接可解问题上也产生不必要的规划开销。我们提出试验后规划（Planning-after-Trial, PaT），一种用于代码生成的自适应策略，仅在验证失败时调用规划器。这种自适应策略天然地实现了异构模型配置：低成本模型处理生成尝试，而强大模型则保留用于针对性的规划干预。实验表明，跨越多个基准和模型族，本方法显著推进了成本-性能帕累托前沿。值得注意的是，我们的异构配置在保持性能相当于大型均匀模型的同时，将推理成本降低约69%。
引用
@article{arxiv.2605.07248,
title = {PaT: Planning-after-Trial for Efficient Test-Time Code Generation},
author = {Youngsik Yoon and Sungjae Lee and Seockbean Song and Siwei Wang and Wei Chen and Jungseul Ok},
journal= {arXiv preprint arXiv:2605.07248},
year = {2026}
}
备注
Accepted to ACL 2026 main conference