TTC 一週體檢:資本腿兌現了,但「預算」本身裂成四條軸

一句話

先講清楚一個詞。TTC 是 test-time compute 的縮寫,指模型在推論當下、回答之前多花的運算時間與成本,不是訓練階段的事。「能力隨 TTC 預算成長」是推理研究者 Noam Brown 提出的命題;一週前我們對它的判斷是:核心成立,但「思考數週不撞牆」的強讀法被域邊界研究壓住,信心停在偏保守的一側,並留下三個觀察點。本篇就是對這三個觀察點的逐格體檢——不需要讀過先前任何一篇,背景都在各節就地交代。

體檢的結論是:這條體制的資本腿在宏觀層兌現了——推論支出超過訓練支出,三個獨立來源同向。但同一週的證據把「預算」這個自變數拆散了:token、金錢、延遲、驗證算力是四條不能互換的軸,同一筆預算在不同 serving 架構下可以省 32% 也可以反貴 121%,而 Noam Brown 本人親手鬆動了自己最強的論證。體制沒有被推翻,而是經歷了一次解析度升級:從一條曲線變成一張分域地圖。

這條趨勢在我們地圖上的位置:

一週之內,三個改寫各自多了一條新證據——方向都不單純

Noam Brown 的命題當初一次改寫了三件事:評估的 x 軸該是預算、安全評測固定預算量不出高預算下的危險能力、takeoff 的時間曲線被真實世界的等待卡住。本週三者各自都動了:

• 評估:成本軸重畫出現了,但畫出來的是一對活矛盾,下面詳說。
• 安全:Anthropic 的第三版負責擴展政策罕見自承「能力門檻式治理部分失效」——跨實驗室對證了 Noam 的批評,但失效的理由比他說的更深 (Anthropic)。
• takeoff:Noam 本人發布平行 TTC 產品,宣稱把等待時間壓了約 24 倍——瓶頸論證的提出者親手給了它第一個產品級鬆動數據點 (Noam Brown)。

宏觀層:體制兌現成了產業定價結構

推論支出超過訓練支出,發生在 2026 年初。這個方向現在有三個獨立來源,不再是單家傳聞。 精確地說:Zylos 用累計支出口徑、Deloitte 估 inference 占全部 AI 算力從 2025 約一半升到 2026 約 2/3、產業媒體報 2026 初 inference 首次占 AI 雲基建支出超過 55%——是三個不同分母的指標同向,不是同一宣稱被三方複驗;它們共同支撐的是「翻轉方向與時點」,而非任何一個具體占比。這條已在 7 月 12 日過定向核驗 (Zylos Research)。它正是這條體制資本含義的宏觀兌現:推論算力需求會隨願付預算彈性變動,一週前我們說「若真則偏多頭」,本週證據面轉硬。

同時,「把 TTC 預算換成能力」這件事本身變成了可以賣的產品層。 三個互相獨立的訊號:

• AI 公司 AI21 把多次嘗試、異質組合、平行對串行、批評再修復這些手法全部參數化,離線估出整條「準確率-成本-延遲」的取捨前沿,線上按請求選策略。也就是說,TTC 調度從研究技巧變成了產品 (AI21 Labs Blog)。要注意這是單源自報,帶宣傳性質。
• OpenAI 把「平行 TTC」直接做成模型檔位 Sol Ultra,用平行搜索換延遲 (Noam Brown)。
• 使用者端出現 2 種模式乘 3 個模型乘 5 檔強度共 30 種配置,選擇多到讓人挑花了眼。實務工作者開始自己總結性價比口訣,反問「Auto 模式怎麼了」(X / @rasbt)。

什麼叫「兌現成定價結構」?一年前「多想一點」是論文技巧;現在它是你在下拉選單裡買的東西。選哪檔強度、開不開平行、要快還是要省,每一格都明碼標價。

微觀層:「預算」這個 x 軸自己裂了

一週前的結論是「評估必須以 token 或成本為 x 軸」。本週的證據說:連這個 x 軸都不是一條軸。

裂痕一:同一條成本曲線,兩邊讀出相反結論

Anthropic 的 scaling 負責人 Moskovitz 引用 Noam 的成本軸曲線主張:聰明模型的 token 效率高,按「每解決一件事的總成本」算,直接問大模型反而便宜 (AI Supremacy)。要注意他是賣方,立場有利益。同一週,實務側觀察者 Raschka 的觀察正好相反:除非要最頂規的輸出,便宜模型加上拉高強度檔通常更划算 (X / @rasbt)。這是單源且無基準測試的觀察。現實中的企業行為站在第三個位置:Ramp 引導員工寫 email 別用最貴的 Opus,可見實務仍在做分層引導;我們圖上原有的「組織內模型分層使用」判斷有 RouteLLM 的學術實證支撐,與 Moskovitz 的論點正面對撞,兩造都留在帳上。

怎麼讀這對矛盾?別看「每 token 單價」,要看「每解決一件事的總帳」——這就是單位經濟學換算。矛盾的根源在:大模型單價貴但可能幾百個 token 收工;小模型單價便宜但可能磨幾萬個 token。誰對,取決於你的任務難度分布與兩者的 token 效率差:簡單任務占比高則分層贏,難任務占比高則大模型贏。這可以實證——監控主流 API 的「每解決任務成本」對比就能裁——所以兩線並行保留,我們不裁贏家。

裂痕二:省 token 不等於省成本——serving 架構能把帳完全翻轉

一項受控比較 18 個任務-模型設定的提前退出研究,給出本週最反直覺的數字:同一個省算力策略,在能重用已算前綴的架構下省 32% token;在必須整段重算的架構下反而貴 121% (arXiv)。單源,待複現。而且提前退出沒有萬用贏家:自由式數學、選擇題、小型高難度競賽題各是一個 regime,最後那類「沒有可認證的積極省法」。

這對體制是「證實但收窄」:它證實 TTC 的價值真的隨工作負載變動,同時宣判「一條性能對預算曲線」不夠用。你的曲線長什麼樣,取決於你的 serving 基建能不能重用算過的部分。 評估軸從一維變三維:token、錢、架構。

裂痕三:Noam 親手鬆動自己的 takeoff 論證——但只在可平行域

2025 年 6 月的 Noam Brown 說:等待時間是「AI 進展需要較長時間」一派最強的論證,而且「多數實驗性工作不可平行化」。2026 年 7 月 10 日的 Noam Brown 發布 Sol Ultra,宣稱把同級數學證明從「也許一整天」壓到「一小時」——約 24 倍,當事方自己的示意數字,推文還帶著「perhaps」(Noam Brown)。同一時間,獨立實務者的長時 agent 實測站在另一邊:很多研究問題本質上極度串行,「你沒法生出 50 個 agent 從零解出」,反而單一 agent 自主跑八小時以上已見疑似可發表的進展 (X / @arankomatsuzaki)。這是主觀單源。學術上「時間跨度本身就是訓練瓶頸」的反向證據也還在。

先分清兩件事。「數學證明可以平行搜索壓延遲」是工程事實,目前只有當事方在單一領域的示意;「takeoff 時間曲線按域分裂」是宏觀推論,前者只是後者的第一個數據點,不是證明。本篇的判斷收在較弱的一層:takeoff 辯論的座標變了——從「整體快或慢」變成「哪些域的等待時間可以被工程繞過」。可平行搜索、可機器驗證的域正在累積繞過案例:Gemini 半自主掃了 700 個 Erdős 開放猜想、自主解出 5 個新結果 (X / @quocleix);另一路「測試時訓練」在測試當下用強化學習繼續更新模型權重——這和一般只取樣、不改權重的測試時做法不是同一族——用開源模型以幾百美元一題的成本刷開放問題的最好成績 (arXiv)。而必須等實驗結果的域,藥物、材料,瓶頸維持原樣。Noam 2025 年 6 月那半句「多數實驗性工作不可平行化」至今無人推翻,包括他自己。「不會一夜 takeoff」的改寫沒有被推翻,但它的適用範圍第一次出現了產品級的邊界侵蝕。

裂痕四:第四條軸——「驗證」也能堆算力

Stanford 與 Berkeley 圈的一篇預印本主張:verification,判定解對不對這件事,是預訓練、後訓練、TTC 之外的第四條 scaling 軸——連續分數乘粒度乘重複評估乘準則分解,並自報四個 agentic benchmark 的最好成績 (arXiv)。單源,但作者陣容強。

這給「TTC 增益是域條件命題」提供了一個候選機制解釋。注意這是演繹推理,不是因果觀察:若 TTC 的增益需要一個「能判斷對不對的東西」來收割,那麼驗證器可堆算力的域 TTC 有複利,沒有驗證器的域多想只是多錯——域邊界就不是經驗巧合,而是由「有沒有 verifier」決定的函數。但它不是唯一解釋:醫療域的 TTC 無增益,也可能來自因果複雜度本身、驗證成本太貴、或資料與倫理約束。這些替代解釋與 verifier 假說可分辨——前者換更強的 verifier 也不解——是後續對答案的地方。這條若得第二獨立源,才升格為「reasoning scaling 是域條件命題」的機制底座;現在只掛候選。

而域邊界本身,7 月 15 日又細了一格:一項把「規劃能力」拆成子能力來分析的研究顯示,「規劃」不是單一能力——局部動作與狀態轉移的推理隨模型放大與更長推理軌跡改善;目標可達性這類結構枚舉對規模與推理預算幾乎不敏感 (arXiv)。單源,又一條域邊界反例。邊界不只切在「域」之間,還切進同一任務的子能力之間。「能力等於預算的函數」這句話的解析度要求,又升了一級。

治理失效的理由,比 Noam 說的更深

Noam 的批評是「安全準備框架沒把 TTC 預算算進去」。Anthropic 第三版負責擴展政策在 2026 年 2 月 24 日的自我檢討更根本:能力門檻式治理整個撞上了方法論天花板。原文說「the science of model evaluation isn't well-developed enough to provide dispositive answers」——模型評估這門科學還不夠成熟,給不出決定性答案。生物風險卡在「不能說低、也不能說高」的模糊帶,政策改走雙軌緩解措施加非約束路線圖,每 3 到 6 個月出風險報告 (Anthropic)。這是公司自陳。跨實驗室對證成立:兩家前沿實驗室從不同角度承認同一件事——固定快照式的能力評估,量不出 TTC 時代的能力。 有一個未核事項:RSP 第三版全文是否明文納入 TTC 預算,本次沒有上網核對;若已納入,「治理落後」要改寫成「治理開始追上」。

體制沒倒,它改形了——從一條曲線到一張分域地圖

把四條裂痕疊起來,這條體制的形狀更新為:

能力 = f(預算 | 域有無 verifier,任務可否平行,serving 架構可否重用)。

• 宏觀(資本):兌現。推論支出翻轉有多個來源證實,TTC 調度產品化,一週前「偏多頭」的判斷證據面轉硬——這條腿從假說走向可引用。
• 微觀(工程與採購):裂解。「預算」至少是 token、金錢、延遲、驗證四條軸,軸之間的匯率由 serving 架構與任務結構決定,沒有全域常數。
• 命題本身:強讀法「思考數週不撞牆」繼續被壓;弱讀法「能力隨預算上升」繼續成立。新增的判斷是:下一步該看誰在做「把預算換成能力」的調度層,而不是誰燒卡多。

方向 thesis

TTC 體制的資本腿已宏觀兌現,但「預算」正裂解為 token、成本、延遲、驗證多條軸,能力函數域條件化,verifier 存在性是候選機制——「把預算換成能力」的調度問題將成為賽點。但誰擁有這一層是開放的:前沿實驗室內建的強度檔與平行模式,和第三方獨立調度層正面競爭;「Auto 模式缺位」既可讀成機會、也可讀成調度難以獨立產品化。

可監控、同時是本判斷的證偽器:①12 個月內調度是否出現獨立抽毛利的層——若始終只是模型廠內建功能,「第三方調度層」判斷死,價值歸模型廠;②主流 API 是否出現「每解決任務成本」口徑的公開對比;③無 verifier 域的 TTC 增益是否持續不超過域內增益的三分之一。

這對誰意味著什麼

• 做 inference capex 判斷的投資人:一週前我們教你盯「性能對預算曲線的斜率」;本週的更新是,沒有一條曲線,有一張矩陣。同一筆推論預算的回報同時取決於域、任務結構、serving 架構三件事。多頭邏輯在總量層成立;但在「誰吃到這些支出」層,毛利會流向能把矩陣管起來的人,不是單純堆卡的人。
• 建 agent、管 AI 採購的人:本週正反雙方都在場——「大模型反而便宜」對上「便宜模型拉高強度」。別接受任何一方的全稱命題。你唯一該建的內部儀表是每解決任務成本,按你自己的任務難度分布量。它一個口徑同時裁掉兩邊的敘事。
• AI 安全與評測的人:Anthropic 的自我檢討把問題從「準備框架少了 TTC 一個變數」升級成「快照式能力量測整體撞牆」。如果能力是預算與域的函數,那「模型有沒有危險能力」根本不是一個定義明確的問題——「在多大預算、哪個域、配什麼 verifier 下」才是。第一個把這三個條件寫進協定的機構,會定義下一代標準。
• 做 TTC 或 reasoning 產品的 PM:上面證偽器①,12 個月內是否出現獨立抽毛利的調度層,就是你的 roadmap 提示:現在該不該自建強度調度層,還是等第三方標準出現。

（以下為方法論與核驗細節,供覆核用。）