MARS：基于边际对抗的风险控制早停策略

MARS（Margin-Adversarial Risk-controlled Stopping）是arXiv 2026年6月11日发布的研究成果，针对并行测试时扩展的计算开销问题，通过监控中间检查点的聚合投票动态，预测可能改变答案的推理轨迹，采用边际对抗停止规则，在保证准确率的同时节省25-47%的计算token。核心是分离轨迹级切换概率与对抗边界两种不确定性，实现风险控制的早停。

测试时扩展通过采样大量推理轨迹并多数投票提升LLM推理能力，但所有轨迹需运行到完成，带来巨大计算开销。研究团队观察到中间检查点可提取当前答案，且聚合投票模式随推理推进演化，引出问题：能否在保持准确率前提下提前终止无关轨迹？

MARS引入边际对抗停止规则，估计活跃轨迹改变答案的可能性，在领先答案安全时停止生成。关键分离两种不确定性：1.轨迹级切换概率（预测轨迹后续改变答案的概率）；2.对抗边界（保守估计改变答案的方向）。实践用五特征逻辑回归模型（特征含投票边际、轨迹置信度等），具有低开销、可解释、泛化好的优势。

在三个推理模型和三个竞赛数学基准评估中，MARS表现优异：相比标准自一致性节省25-47%token且准确率不变；相比先进基线DeepConf Online（已过滤弱轨迹）进一步节省14-29%token，证明方法有效性与互补性。

MARS不仅有实践效果，还提供结构化分析框架：分离两种不确定性来源。理论上，当切换概率准确时，高概率保证早停答案与完整投票结果一致，风险控制特性适合准确性敏感场景；对抗边界设计考虑最坏情况，提升稳健性。

MARS适用于所有并行测试时扩展场景（数学求解、代码生成等）。局限：目前针对多数投票聚合策略，其他聚合需调整；依赖切换概率模型准确性，分布外场景需重新校准。仍为效率优化重要进展。