花钱的第三种方式 · 交互缩放实验室

测试时算力的前两条轴——想更久（推理）与抽更多取最好（采样）——共享一个隐藏上限：它们都是内部的，每个额外 token 都来自同一组冻结权重和同一个 prompt，重组已有信息而不引入新信息。 arXiv:2607.11598 提出第三条轴交互缩放：模型产出工件、外部仪器观测工件的真实行为、模型据实修订—— 每个循环进口一条真实观测，突破内部天花板；但 grounding 必须同时守住反馈侧与评分侧，缺一侧优势即塌。三轴预算沙盘、Grounding 双侧实验台（DOM 真算仪器 vs VLM 截图裁判，可亲手扮演）、盲反馈循环对照全部浏览器内真算，文献锚点（proposer-reviewer 100% 通过率、14/15 破损图判 perfect、40-74% 缺陷消除、VLM 当 reviewer 布局反而变差）单独分栏。与站内「Test-Time Compute 缩放模拟器」（内部两轴）分工互补。

💸三种花钱方式

⚠ 形状参数为教学模型

🧠 想更久（推理缩放）

同一组冻结权重 + 同一个 prompt 内部多想几个 token —— 内部轴

⚠ 上限：数据处理不等式：重组已有信息，不引入新信息

🎲 抽 N 次取最好（采样缩放）

同一组冻结权重 + 同一个 prompt 多抽几条 —— 还是内部轴

⚠ 上限：即使 oracle 替你挑最优样本，天花板不变

🔬 与仪器交互 K 轮（交互缩放）

产出工件 → 外部仪器观测真实行为 → 据实修订 —— 每轮进口一条新观测

⚠ 上限：grounding 必须守住反馈侧与评分侧两道门

📖arXiv:2607.11598（2026-07-13）核心论断：推理缩放与采样缩放都是内部的——每个额外 token 都来自同一组冻结权重和同一个 prompt，受数据处理不等式约束，「重组已有信息，不引入新信息」；第三条轴交互缩放让模型产出工件、外部仪器观测工件真实行为、模型据实修订——每个循环进口一条真实观测。

🎛⭐ 预算分配沙盘：把固定的 token 预算分给三条轴

🧮 合成质量真算

总预算 B（基准倍数）8×

注意推理/采样曲线在 B≈4-6 后躺平，交互曲线到 B=10 仍在爬。

想更久（推理缩放）2 单位

内部池：与抽样共享同一个数据处理上限。

抽 N 次取最好（采样缩放）1.5 单位

同一池 —— 多抽不破天花板。

与仪器交互 K 轮4.5 单位

每轮进口一条真实观测 → 大时间常数，持续爬升。

合成质量（当前分配）

0.889

内部池 3.5 + 交互 4.5

贪心最优（同预算）

0.904

内部 2.5 灌满后全给交互 5.5

距最优差距

把内部池灌到平台、剩余预算交给交互轴

📖 文献：开了 oracle，采样轴照样平台。

质量 × 总预算：三条「全押」策略曲线 + 当前混合分配（虚线）—— 内部两轴先后躺平，交互轴持续爬升

全押推理全押采样全押交互当前混合分配

⚠口径告警：① 曲线形状参数（capInt / tauInt / capI / tauI）为教学设定（琥珀），仅忠实呈现论文的定性结论——内部两轴先后平台（采样轴开 oracle 也平台）、交互轴区间内持续爬升；量值与论文实验不可直接对照。 ② 「内部两轴共享一个饱和池」是对「同一组冻结权重 + 同一个 prompt」的建模选择：若做成两条独立可加曲线，均分预算会无中生有地反超纯交互（node 预检发现的坑），与论文结论冲突。③ 📖 文献值：proposer-reviewer 100% 通过率、零 run-to-run 方差、跨三个模型家族 —— 见下方折叠卡。

📖 论文要点七条（文献值，非本工具实算）

▪花钱的标准姿势只有两种：让模型想更久（推理缩放）、抽更多样本取最好（采样缩放）——它们共享一个隐藏上限：都是内部的，每个额外 token 都来自同一组冻结权重和同一个 prompt，受数据处理不等式约束，「重组已有信息，不引入新信息」
▪第三条轴是交互缩放：模型产出工件 → 外部仪器观测工件的真实行为 → 模型据实修订——每个循环进口一条真实观测，突破内部天花板
▪硬编码任务固定 token 预算下：纯推理与 best-of-N 采样先后平台——后者即使开 oracle 挑最优样本也照样平台
▪论文的 proposer-reviewer harness 达到 100% 通过率且零 run-to-run 方差，增益跨三个模型家族成立
▪渲染视觉工件上：惯用裁判（VLM 读截图）把 15 张明显破损的图里的 14 张判为 perfect——截图在裁判看到之前就把缺陷丢掉了
▪一个量真实布局的工具让修订循环在四种模态上消除 40-74% 的缺陷；而同一个 VLM 当 reviewer 时，幻灯片布局反而变差
▪interaction scaling 是真实且区别于推理与采样的第三轴——但只有反馈侧与评分侧同时 grounded 时才可见，缺一侧优势即塌

这个工具里哪些数字是真的

🧮 浏览器内真算

· 三轴合成质量、贪心最优分配、策略-预算曲线（含 oracle 档）
· 仪器测量：getBoundingClientRect / naturalWidth / 交叉面积逐条读数
· 截图裁切（overflow hidden 裁掉画布外元素）与缩放后像素换算
· 盲反馈循环逐轮缺陷数采样（同参数可复现）

📖 文献值（arXiv:2607.11598，快照日 2026-11-04 回源）

· 纯推理与 best-of-N 先后平台，后者开 oracle 也平台
· proposer-reviewer 100% 通过率、零方差、跨三个模型家族
· VLM 把 15 张明显破损图里的 14 张判 perfect
· 测量工具路线消除 40-74% 缺陷（四模态）；VLM 当 reviewer 布局反而变差

⚠ 教学模型 / 示意值

· 三轴曲线形状参数（capInt / tauInt / capI / tauI）与「内部池」建模选择
· 截图缩放 ×0.25 与 12px 可辨阈值（决定 VLM 漏多少，论文未给数值）
· 循环每轮修 / 引入概率（55% / 28% / 34% / 4%）
· K=2 消除率 63% 落在文献 40-74% 区间是巧合对齐，非复现

⚠ 本工具不调用任何模型或后端服务。Tab ② 的 VLM 裁判是「阈值判定器」而非真 VLM；Tab ① ③ 的动力学按论文定性结论设定。论文为 Bojie Li, Noah Shi（Pine AI + University of Washington），2026-07-13。

与 Test-Time Compute 缩放模拟器的分工

站内已有的「Test-Time Compute 缩放模拟器」覆盖内部两轴（4 推理范式 + Overthinking + 采样策略）。本工具专做第三轴（交互缩放）与 grounding 概念，两者互补不重复。

→ 前往 Test-Time Compute 缩放模拟器（内部两轴）