一条推文在AI圈传得很快：斯坦福研究组找到一种方法，让Claude Opus 5.5和GPT-6 Astra协同工作，直接打破了重采样墙。听起来很性感。但评论区有人读完论文，说：里面根本没有这两个模型。

先解释一下重采样墙。大多数开发者理解的test-time compute，就是让同一个模型在报错后反复重试。你烧掉大量token，模型却在同样的错误模式里打转。这篇斯坦福论文（arXiv:2608.05643）的思路是：把计算分给两个不同模型。

具体做法是：

- **广度搜索**：GPT-6 Astra以高熵模式（T=0.8）探索多条解题路径。

- **逐步审计**：Claude Opus 5.5以零温（T=0.0）逐条扫描推理步骤，定位逻辑错误。

- **局部手术**：Opus只重写出错的那一步，而不是推倒整个推理链。

- **免验证器共识**：多数投票锁定结果，不依赖容易漂移的过程奖励模型。

简单说：一个负责发散找路，一个负责冷静挑错。

论文报告的数据很亮：91.2%的已检测推理缺陷恢复率，正确分支回归率低于1.8%。MATH500从29.6%涨到58.0%，AMC-2023在零奖励模型下提高7.5%。

下面是原推文附带的实验图表视频。

问题出在推文的表述上。网友@Kagi在评论区说他读了原文，里面没有Opus 5.5或GPT-6 Astra，测试的是Qwen2.5和LLaMA-3.1这类1.5B-8B的开源模型。MATH500那个58%的成绩，来自一个1.5B模型。

这个差异很关键。如果属实，那这篇论文的价值就不是“大模型组队”，而是证明了小模型也能通过分工策略获得接近大模型的推理能力。这其实更能说明test-time compute的价值：推理时算力可以部分替代参数规模。

marfin那条推文可能只是把论文结果嫁接到了大家熟悉的模型上，方便传播。但这不意味着论文没价值。它和marfin自己写的《Test-Time Compute Engineering》其实是同一套思路：动态预算、过程奖励模型、树搜索、提前剪枝。只是论文实验用的模型更小，更接近可复现的学术研究。

另一个视角：大模型+大模型组合，成本会翻倍。小模型+小模型组合，如果真能把MATH500翻倍，那才是工程上的大新闻。毕竟在test-time compute里，经济性才是落地关键。

所以，下次看到“XX模型+XX模型突破瓶颈”的标题，先别急着转发。查一下论文，确认它测的到底是谁。真正的宝藏，可能藏在没有品牌光环的实验里。