When Does Test-Time Search Help World Action Models? An Empirical Audit of Candidate Selection and Simulator Integrity
作者: Jun Liu, Dajie Sun, Zhenglun Kong, Zhenjiang Fan, Peiyan Dong, Fan Yang, Wenbin Zhangg, Geng Yuan, Xue Lin, Yanzhi Wang, Dong Huang
分类: cs.AI
发布日期: 2026-10-30
💡 一句话要点
审计测试时搜索对世界行动模型的影响以优化控制策略
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 世界行动模型 测试时缩放 候选选择 自适应分配 计算效率 评估完整性 隐性渲染损坏 机器人控制
📋 核心要点
- 现有的世界行动模型在测试时缩放方面存在信号利用不足、计算节省未能转化为实际加速等挑战。
- 论文通过审计候选选择和评估完整性，提出了一种基于前提的审计方法，旨在验证测试时缩放的有效性。
- 实验结果显示，尽管令牌修剪减少了计算量，但实际加速效果未达到预期，且发现了隐性渲染损坏问题。
📝 摘要（中文）
随着世界行动模型越来越多地应用测试时缩放，研究者们在候选选择和自适应分配上投入了额外的推理计算，以期提高控制效果。然而，这些收益的可信度依赖于候选信号的可利用性、计算节省的实际实现以及评估的可靠性。本文通过在Cosmos Policy和RoboCasa上进行预注册的方法审计了这三方面的表现。结果显示，学习的价值选择器表现不如随机选择，且在大多数状态下候选结果相同，选择空间有限。此外，尽管令牌修剪减少了前向计算量，但实际的端到端加速效果未达到预期目标。最后，研究者发现并修复了一种在计算密集型规划路径中出现的隐性渲染损坏问题，并发布了相关检测器和修复脚本。
🔬 方法详解
问题定义：本文旨在解决测试时缩放在世界行动模型中的有效性问题，现有方法在候选选择和计算节省方面存在不足，导致实际效果不佳。
核心思路：通过对候选选择、计算效率和评估完整性进行系统审计，验证测试时缩放的实际收益，确保模型在控制任务中的可靠性。
技术框架：研究采用预注册的方法论，首先在干净数据上进行实验，评估学习的价值选择器和后见oracle的表现，随后分析令牌修剪和自适应分配的效果。
关键创新：论文的创新在于提出了一种基于前提的审计方法，强调了测试时缩放的有效性应通过信号利用、效率实现和评估完整性三方面进行综合评估，而非单一成功率。
关键设计：在实验中，采用了特定的参数设置和损失函数，令牌修剪技术减少了前向计算量，但在实际应用中未能达到1.5倍的加速目标，且在计算密集型路径中发现并修复了隐性渲染损坏问题。
🖼️ 关键图片
📊 实验亮点
实验结果表明，学习的价值选择器比随机选择低1.66个百分点，后见oracle的提升仅为1.40个百分点，且82%的状态下候选结果相同，显示出选择空间的局限性。令牌修剪技术虽然减少了计算量，但实际的端到端加速效果仅为1.15倍，未达到1.5倍的预期目标。
🎯 应用场景
该研究的潜在应用领域包括机器人控制、自动驾驶和智能决策系统等。通过优化测试时缩放的有效性，可以提升这些系统在复杂环境中的决策能力和响应速度，从而增强其实际应用价值和市场竞争力。
📄 摘要（原文）
World-action models increasingly apply test-time scaling, spending extra inference computation on candidate selection and adaptive allocation to improve control. Such gains are credible only when candidates carry exploitable signal, nominal compute savings become real speedup, and evaluation stays reliable. We audit all three on Cosmos Policy and RoboCasa with a premise-first, pre-registered methodology. On clean data, a learned value selector is 1.66 pp worse than random; a hindsight oracle gains only 1.40 pp, with an episode-level interval spanning zero; and 82% of states show identical candidate outcomes, leaving little selection headroom. Token pruning cuts per-forward FLOPs by up to 47% but yields at most a measured 1.15$\times$ end-to-end speedup on the deployed path (1.25$\times$ on a decode-excluded path), short of a 1.5$\times$ target, and our adaptive-allocation experiment is inconclusive under a power gate. We further identify and fix a silent rendering corruption whose rate rises sharply along compute-heavy planning paths while leaving the official direct-policy result unaffected, and release a detector, fix, and scripts. These findings show why test-time scaling should be audited as a chain of premises (decision signal, realized efficiency, evaluationintegrity) rather than by success rate alone. Conclusions are scoped to the tested configuration.