TAPS 调度器让递归推理提速 1.56 倍

2026 年 10 月 1 日，AGI Hunt 报道了一种名为 TAPS（Trajectory Adaptive Progress-Fluctuation Scheduler）的调度器。报道称，循环推理模型存在更新尺度固定的问题，TAPS 通过在线追踪“持续进展”与“中心化波动”两类贡献，自适应调整推理步长，从而降低期望终端损失，并以更少的循环次数达到目标质量。实验结果显示，该方法无需重新训练即可提升结构化推理任务的终端准确率；若把进度-波动原则纳入训练，在同等基线准确率下最多可获得 1.56 倍的墙钟加速。目前报道仅给出这一组结果，未提及具体模型、任务或对比基线的细节。

AI 根据报道生成 · 57 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。