测试时计算扩展
测试时计算扩展（Test-Time Compute Scaling）是指在推理阶段投入更多计算资源（如迭代、反思、多步推理）来提升模型性能的技术。
在哈密顿分解难题中的体现
Claude Opus 4.6攻克高德纳的哈密顿分解难题，不是靠更大的模型或更多的训练数据，而是通过"测试时计算扩展"：经过31次迭代探索，尝试群论、DFS、模拟退火、纤维分解等多种方法，最终找到通用解法。
意义
- 解释了AI为何能解决此难题：不是靠记忆，而是靠更聪明的推理过程。
- 标志着AI从"记忆"向"推理"的转变。
- 为未来AI在数学、科学等领域的应用提供了新的范式：通过迭代反思和工具切换，AI可以解决超出其训练数据范围的复杂问题。