測試時擴展：BrowseConf 與自信度引導的推理

前面幾篇看的是訓練、架構、評估。這篇看一個新維度：測試時計算資源分配。

深度研究 agent 跑一個任務時，該花多少時間？固定 10 輪？20 輪？還是看情況？

BrowseConf（ACL Findings 2026）的答案是：讓 agent 自己說。

核心問題：測試時的資源分配

現有 deep research agent 面臨一個困境：

• 花太多：每個任務都跑最多輪次，浪費資源
• 花太少：簡單任務也跑很多輪，低效
• 不知道該花多少：沒有機制判斷什麼時候「夠了」

傳統的做法是固定上限（比如最多 30 輪）。但研究發現：

• 有些任務 5 輪就夠了
• 有些任務需要 50 輪
• agent 自己應該知道何時夠了

BrowseConf：自信度引導的測試時擴展

核心洞察

BrowseConf 的發現很直接：

模型在任務上準確率高時，自信度也高；準確率低時，自信度也低。

而且，當模型「不知道」時，它會說「我不確定」——而不是亂猜。

這意味著：自信度是一個有效的信號，可以決定何時停止、是否重新思考、是否繼續搜尋。

機制

agent 完成推理 → 輸出答案 + 自信度分數
→ 判斷自信度：
  → 高自信 → 接受答案，結束
  → 低自信 → 重新思考，繼續搜尋
→ 重複直到達到自信度閾值或輪次上限

關鍵結果

指標	BrowseConf	基線
準確率（高自信子集）	顯著高	—
準確率（低自信子集）	接近零	—
Token 消耗	大幅減少	固定輪次
效率	高自信任務用最少資源	—

核心結論：低自信的答案基本上就是隨機的——模型知道自己不知道，此時應該繼續研究而不是硬答。

與 Test-Time Scaling 的關係

BrowseConf 屬於更廣泛的 Test-Time Scaling (TTS) 範疇：

方法	思路	例子
計算擴展	給更多推理步驟	o1/o3 風格
互動擴展	給更多工具調用	BrowseConf
並行擴展	同時探索多條路徑	GenCluster

BrowseConf 的獨特之處：用自信度做為「動態資源分配」的信號，而不是固定分配。

實踐意義

對開發者

1. 成本優化：高自信任務用最少 token，降低 API 成本
2. 品質控制：低自信任務自動標記，提醒使用者答案可能不可靠
3. 適應性：同一個模型可以處理從簡單到極難的各種任務

對使用者

• 得到的不只是答案，還有答案的「可信度標籤」
• 對於「我不知道」的問題，agent 會繼續研究而不是亂給答案

對 deep research 系統

BrowseConf 的範式可以整合到任何 deep research pipeline 中：

• 插入在推理過程中作為停止條件
• 與 IterResearch 的「策略性遺忘」結合（高自信時記壓縮，低自信時保留）
• 與 STC 的評估框架結合（自信度校準是評估的一部分）

與 series 的關係

系列篇	連結
order 3（IterResearch/AREX）	AREX 的「improvement state」與 BrowseConf 的「自信度閾值」概念相似
order 7（評估困境）	STC 的核心問題就是「自信度是否準確」
order 15（未來展望）	自信度引導的資源分配是未來 agent 的標準功能

關鍵教訓

1. 不確定性的表達比答案本身更有價值——知道「不知道」是智慧的起點
2. 動態資源分配比固定上限更高效——讓 agent 自己決定何時夠了
3. 自信度是通用語言——可以橫跨任務、模型、場景

參考資料

• BrowseConf: Confidence-Guided Test-Time Scaling for Web Agents — Ou et al., ACL Findings 2026。
• Inference-Time Scaling of Verification: Self-Evolving Deep Research Agents — 相關工作，rubric-guided verification。
• GenCluster: Scaling Test-Time Compute to Achieve IOI Gold Medal — 並行 TTS 方法。
• evaluation-stc-challenges — 本系列前一篇文章：評估困境。