LLM测试时计算扩展：2年后仍被忽视的教训

自OpenAI o1发布以来，业界已知LLM的测试时计算扩展（test-time compute scaling）能显著提升模型性能。然而两年后，实验室仍仅报告标量评估结果，安全组织在发现脚手架通过100倍推理获得更好表现时仍感惊讶，且RSP（责任扩展政策）在决定关键阈值时仍忽略推理预算。这暴露了AI安全评估中的系统性盲点，即未将推理计算量作为关键变量纳入考量。