一分钟读论文：《Interaction Scaling：测试时计算的第三维度》

Pine AI 和华盛顿大学合作的一篇论文《Think Through a Bottleneck: Interaction Scaling — Grounding the Third Axis of Test-Time Compute》（https://arxiv.org/abs/2607.11598）提出，推理时计算的缩放存在三个正交维度：推理缩放、采样缩放和交互缩放。前两者受数据处理不等式限制存在”内部天花板”，交互缩放通过引入外部仪器观测打破了这一限制。

三种缩放维度的本质差异

推理缩放（reasoning scaling）指在生成最终答案之前增加中间计算步骤，典型代表是思维链（Chain-of-Thought）。模型通过逐步推导来改善输出质量。采样缩放（sampling scaling）则通过多次独立采样并选择最优结果来提升性能，例如 Best-of-N 策略。

这两种方法有一个共同限制：所有额外生成的 token 都来自同一组冻结权重和固定 prompt。从信息论角度看，这受到数据处理不等式（DPI）约束——输出包含的信息量不可能超过输入。模型可以在已有信息内部重组推理，但无法引入任何新外部信息。这就是论文所称的”内部天花板”。

交互缩放：打破天花板的第三维度

交互缩放（interaction scaling）引入了一种新机制：模型生成工件（artifact），由外部仪器观测、评估并提供反馈，模型据此修订输出。这形成了闭环——模型不再是单向生成文本，而是与外部环境进行多轮互动。

交互形式包括代码执行、布局测量、搜索查询等真实世界观测。这些外部仪器携带的信息是模型在初始 prompt 中根本不存在的——一段代码能否通过编译测试是一个独立于模型权重的客观事实，一个 UI 布局的实际渲染效果也无法仅从文本描述准确推断。

Grounding：反馈与评估的双重接地

论文强调，交互缩放的有效性依赖于grounding——外部观测必须真实反映目标任务的客观标准。Grounding在两个环节同时成立：接地反馈（grounded feedback）和接地评估（grounded evaluation）。

接地反馈要求驱动模型修订的信号来自真实仪器输出，而非另一模型的判断。接地评估则要求最终评分的度量同样来自外部观测。任一环节被模型自身判断替代，交互缩放的优势都会大幅削弱。

这一发现揭示了一个关键问题：视觉语言模型（VLM）作为 judge 存在结构性盲点。当使用截图来评判 UI 生成质量时，截图在评判开始前就已经丢弃了缺陷信息——某些布局错误只有在实际渲染后才能被发现。论文的实验显示，14/15 张存在破损的截图被 VLM judge 评为”完美”。

实证结果与跨模态表现

实验数据验证了交互缩放的实际效果。在代码生成任务中，引入接地反馈后准确率从 66.7% 提升至 100%。视觉模态任务的缺陷减少幅度达到 40%-74%。这些结果在不同模型之间表现出零种子方差（zero-seed variance），说明交互缩放的效果不依赖于特定模型的随机采样选择。

当推理缩放和采样缩放的边际收益递减时，引入外部仪器的交互缩放提供了可验证的改进路径。关键在于确保反馈信号和评估度量都来自真实的外部观测。

References