英文：Test-Time Reinforcement Learning 分类：frontier
在推理阶段通过强化学习（尝试、评估、改进）提升回答质量的方法：模型生成多个候选、用验证器/反馈迭代优化，让"思考更久"直接转化为"答得更准"（测试时计算缩放）。
方法：最佳化采样（多候选+验证器选择）、自我修正（生成-评估-改进循环）、搜索（树搜索/Beam 推理）；验证器：奖励模型、代码执行、形式验证；经典：AlphaZero 式推理、o1 类模型的隐式版本。
用于高难度推理（数学/代码竞赛题）、Agent 任务（多步决策优化）、关键决策（错误成本高）与研究；测试时强化学习是"推理时用算力换准确"的范式。