arXiv 论文：堆 test-time 算力让自评更一致但不更准，Scorpio 降本 17–42%

arXiv 论文《On the Limits of Test-Time Compute for Self-Evaluation》研究 LLM 自验证与聚合的极限，发现增加候选数量和推理算力并不能持续缩小 final-answer 准确率与 pass@N 的差距。