Test-Time Augmentation for LLMs

作者把 test-time compute 从“重复采样输出”分一部分给“改写输入”，比较语义改述、词法扰动和视觉变换，覆盖六个知识、数学、多语、多模态与情感任务。语义改述在六项中的五项超过 self-consistency，每美元带来的准确率增益约高 1.8 倍，并形成更好的成本效果 Pareto 前沿。收益集中在中档模型且依赖变换保持题意，论文因此提供的是输入多样性预算的有力证据，不是所有任务上无限增加 paraphrase 都有效。