推理模型与测试时计算入门介绍
七天实战
边学边练请访问 推理模型与测试时计算七天学会 子站（StoneXYZ AI 品牌），含课表、实验室与学习记录。
这门课解决什么问题？
推理模型与测试时计算 面向希望把「听过概念」升级为「能拆解、能动手、能验收」的工程师与研究者。课程主张：o1/R1 范式与搜索。
在真实项目里，失败很少来自「不知道名词」，而来自：
- 口径不一致：同一指标在不同工具里含义不同；
- 证据链断裂：只有结论没有可复现步骤；
- 过早优化：没建立基线就调参；
- 忽略约束：安全、延迟、成本、合规未进入设计。
本课程用 7 天把关键概念压缩成可执行路径，并与主站文档互相引用。
为什么现在学？
产业侧模型能力快速迭代，但工程债同步累积：评测不稳、部署不可复现、安全事件频发、成本失控。掌握 推理模型 相关栈（CoT, PRM, RLHF/RLAIF, GRPO 等），能让你在选型与排障时有「第一性 原理」而不是靠运气。
核心支柱
| 支柱 | 要求 |
|---|---|
| 思维链 | 可教学、可验证、可迁移 |
| 过程奖励 | 可教学、可验证、可迁移 |
| RLVR | 可教学、可验证、可迁移 |
| GRPO/PPO | 可教学、可验证、可迁移 |
| 测试时搜索 | 可教学、可验证、可迁移 |
| 成本-准确率 | 可教学、可验证、可迁移 |
七天课表速览
| 日程 | 核心产出 |
|---|---|
| Day1 范式 | 训练时 vs 测试时计算 |
| Day2 数据 | 过程标注与可验证任务 |
| Day3 RLVR | 可验证奖励设计 |
| Day4 算法 | PPO/GRPO 直觉 |
| Day5 搜索 | BoN、束搜索、树搜索 |
| Day6 系统 | 长度惩罚与截断策略 |
| Day7 产品 | 延迟预算与用户体验 |
学习成果画像
完成本课程与配套文档后，你应能：
- 用自己的话解释 推理模型 的关键路径与典型失败模式；
- 搭建最小可运行实验并记录基线指标；
- 阅读开源项目的核心模块并定位扩展点；
- 在发布清单中覆盖质量、安全与回滚项。
与站内其他课程的关系
建议路径：LLM 原理 → 后训练/压缩 → 推理引擎/CUDA → 端侧部署 → AI 安全。本课文档位于「AI 技术栈」，七天子站提供交互实验；主站文档提供可检索的深度文本与图示。
术语最小集
| 术语 | 一句话 |
|---|---|
| 基线（Baseline） | 未优化前的可复现指标快照 |
| 证据（Evidence） | 可复核的日志、曲线、配置与版本 |
| 验收（Acceptance） | 事先写清的通过/否决条件 |
| 回滚（Rollback） | 发布失败时回到上一已知良好版本 |
阅读地图
方法论：先测量，再故事
每次实验固定：
假设 → 变量（只改一个）→ 指标 → 对照 → 结论 → 下一步
不要用「感觉更快」替代数字；也不要用单一最优值掩盖方差。报告至少包含：配置、种子/版本、样本、P50/P90、失败案例。
安全与合规提示
学习内容仅供研究与防御/工程能力建设。涉及攻击面、红队、数据与算力时，请遵守法律与组织授权；生产变更需审批与审计。
小结
推理模型与测试时计算 不是名词堆砌，而是一条从原理到验收的工程 链。接下来进入 快速开始，把环境与第一份基线跑通。
深入：训练时计算 vs 测试时计算
传统做法把智能「烤进权重」。推理模型把部分计算挪到测试时：生成更长思维链、采样多条、搜索树。代价是延迟与费用上升，需要产品层的预算旋钮。
深入：可验证奖励（RLVR）
数学、代码、单元测试等领域可以自动判对错，适合强化。开放域写作很难自动给准奖励，强行 RL 容易奖励黑客。
深入：过程监督
结果对但过程错（蒙对）会污染训练。过程奖励模型（PRM）尝试给中间步骤打分，数据昂贵但更稳。