**小型强化学习控制器，大型语言模型：RL引导的自适应采样用于测试时扩展**

_Small RL Controller, Large Language Model: RL-Guided Adaptive Sampling for Test-Time Scaling_

> 本文提出将自适应采样建模为马尔可夫决策过程，并训练轻量级强化学习控制器来动态决定何时停止采样，从而在答案正确性、延迟和计算成本之间取得平衡。实验表明，该方法相比ASC和ESC等基线方法，在采样轮次和总样本量上实现了更好的权衡。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-03 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.03102)