PETS: un quadro metodologico basato su principi per l'allocazione ottimale delle traiettorie per un'efficiente autoconsistenza al momento del test
PETS: A Principled Framework Towards Optimal Trajectory Allocation for Efficient Test-Time Self-Consistency
February 18, 2026
Autori: Zhangyi Liu, Huaizhi Qu, Xiaowei Yin, He Sun, Yanjun Han, Tianlong Chen, Zhun Deng
cs.AI
Abstract
La scalatura al momento del test può migliorare le prestazioni del modello aggregando traiettorie di ragionamento stocastico. Tuttavia, raggiungere un'autoconsistenza al test-time efficiente in termini di campionamento con un budget limitato rimane una sfida aperta. Introduciamo PETS (Principled and Efficient Test-Time Self-Consistency), che avvia uno studio principiato dell'allocazione delle traiettorie attraverso un framework di ottimizzazione. Centrale nel nostro approccio è il tasso di autoconsistenza, una nuova metrica definita come l'accordo con il voto a maggioranza a budget infinito. Questa formulazione rende teoricamente fondata e suscettibile di analisi rigorosa l'allocazione al test-time efficiente nel campionamento. Studiamo sia contesti offline che online. Nel regime offline, dove tutte le domande sono note in anticipo, colleghiamo l'allocazione delle traiettorie al crowdsourcing, un'area classica e ben sviluppata, modellando le tracce di ragionamento come lavoratori. Questa prospettiva ci permette di sfruttare la ricca teoria esistente, ottenendo garanzie teoriche e un algoritmo di allocazione efficiente basato sul voto a maggioranza. Nel regime online in streaming, dove le domande arrivano sequenzialmente e le allocazioni devono essere effettuate al volo, proponiamo un metodo innovativo ispirato dal framework offline. Il nostro approccio adatta i budget alla difficoltà della domanda preservando al contempo solide garanzie teoriche ed efficienza computazionale. Gli esperimenti mostrano che PETS supera costantemente l'allocazione uniforme. Su GPQA, PETS raggiunge un'autoconsistenza perfetta in entrambe le impostazioni, riducendo il budget di campionamento fino al 75% (offline) e al 55% (online) rispetto all'allocazione uniforme. Il codice è disponibile all'indirizzo https://github.com/ZDCSlab/PETS.
English
Test-time scaling can improve model performance by aggregating stochastic reasoning trajectories. However, achieving sample-efficient test-time self-consistency under a limited budget remains an open challenge. We introduce PETS (Principled and Efficient Test-TimeSelf-Consistency), which initiates a principled study of trajectory allocation through an optimization framework. Central to our approach is the self-consistency rate, a new measure defined as agreement with the infinite-budget majority vote. This formulation makes sample-efficient test-time allocation theoretically grounded and amenable to rigorous analysis. We study both offline and online settings. In the offline regime, where all questions are known in advance, we connect trajectory allocation to crowdsourcing, a classic and well-developed area, by modeling reasoning traces as workers. This perspective allows us to leverage rich existing theory, yielding theoretical guarantees and an efficient majority-voting-based allocation algorithm. In the online streaming regime, where questions arrive sequentially and allocations must be made on the fly, we propose a novel method inspired by the offline framework. Our approach adapts budgets to question difficulty while preserving strong theoretical guarantees and computational efficiency. Experiments show that PETS consistently outperforms uniform allocation. On GPQA, PETS achieves perfect self-consistency in both settings while reducing the sampling budget by up to 75% (offline) and 55% (online) relative to uniform allocation. Code is available at https://github.com/ZDCSlab/PETS.