速评：一篇挂出来两周的论文，圈里转的是同一个数字，4.1 个百分点。这个数我不收。
arXiv 2609.12757，v1 是 9 月 11 号挂上去的，到今天整两周。cs.SE 和 cs.AI 双分类，做的是测试时代码生成里的搜索调度，起了个名字叫 GraphAHA，把搜索过程组织成带类型的有向无环图。两周，够圈里转两轮了。
我想揪的不是图，是尺子。
论文里最亮的那一行是这么写的：以可见测试衡量的 Pass@1，在两个模型、两个基准上平均比最强基线高 4.1 个百分点。
"以可见测试衡量"，这几个字是整份摘要里最该被圈出来的地方。
道理不复杂。这套方法干的事，就是拿可见测试当信号去搜——合并功能等价的程序、分配采样和修复的预算、决定是沿着已有后继继续走还是开新分支。可见测试是它的食欲来源。然后你拿同一把尺子去量它长了多高，量出来的东西，是这套调度爬可见测试这座山爬得有多顺，不是这个模型有多会写代码。
这两件事差得远。
公平讲一句，Pass@1 这个口径放在 test-time 这条线上不算瞎来——要比的就是同样的预算下谁解得出来更多，何况很多 benchmark 里能看见的测试本来就有限。况且我只看到摘要这一层，正文有没有补隐藏测试口径我不知道，这个口子先留着，说错了欢迎来打脸。
但就算按最宽容的读法，这个数也只证明了一件事：调度器变聪明了。证不了模型本身变强。论文自己收尾那句其实漏了口风，说这个结果说明 GraphAHA 能更有效地利用固定推理预算——措辞上认账了，是效率，不是能力。
真正值得正名的，是它开炮的那个靶子。摘要点名说，树搜索把不同生成历史当成彼此独立的状态，哪怕这些轨迹最后收敛到同一个程序，也要重复评估一遍，下游的搜索统计还没法共享。这话不难懂，但它是实打实的浪费。你去翻程序合成这一支的老论文，这个坑被踩过不止一次：两条完全不同的搜索路径写出同一份代码，机器还在那儿老老实实跑两遍测试。
这剧本，眼熟。合并等价状态、把统计往上收，是编译器和程序综合里磨了很多年的老手艺，这回被搬到 LLM 的 test-time 搜索上。搬家不算贡献小，搬对了地方是本事，但也别把它念成"图替代树"的范式迭代——图还是树，换的是节点合并的规则和调度策略。
而这里有个数全文没有：合并命中率。
整套收益都建立在一个前提上——不同的搜索路径确实经常撞到同一个程序。要是实际收敛率很低，那这个图大部分时候就是空转，共享机制漂亮但用不上。摘要给的是总分，没给这种中间指标，我只能把问号挂在这儿。
真正有技术含量的是那个分层 Thompson 采样。生成新状态，还是沿已有后继继续走，这是个二选一；选了生成，还得在采样、推理、实现、修复这几类动作里再挑一个。摘要自己承认，这几类动作的收益互补，而且依赖当前状态。翻成人话：没有一劳永逸的最优策略，只能在线赌。
多臂老虎机换了个壳。这话不是贬义，是说这类方法的天花板在哪：你优化的是同一份推理预算怎么分配，不是模型的能力上限。分配能救回来的那部分，永远只是本来要浪费掉的那部分。浪费越大，收益看着越漂亮；等模型自己够强，搜索少走的那两步弯路就不值钱了。
所以那 4.1 个点，我还想再问几句。它是两个模型乘两个基准、四个格子取的平均。四个格子里最低的那个涨了多少？没写。20 个测试情形里 18 个拿了最佳，剩下那 2 个输给谁、输多少？也没写。这类"平均下来挺好看"的数，最怕某个格子被另一个特别好的格子扛着走，你要在某个具体的模型加基准上复现，未必复现得出 4.1。
还有个细节，实验用的是 Qwen2.5-Coder 和 DeepSeek-Coder，两个开源 coder 系，前沿闭源模型一个没上。没有证据说是故意挑软柿子，开源模型便宜、可复现，做预算分配的实验用它们完全合理，甚至更合理。但恰恰因为它们没那么强，搜索才有的可救。
这里立个 flag：同一套调度搬到前沿闭源模型上，增益大概率缩水，我赌不到 4.1 的一半。理由一句话——能救回来的浪费，和模型自己的本事成反比。哪天有人真跑了，回来收这个 flag。
再说句得罪人的。test-time 这条线上，每隔几个月就来一篇"同样的预算、更好的结果"，基本都是同一个故事：把赌注下得更聪明。这方向不假，问题也是真问题，但看多了你会发现，它们都在同一口锅里舀汤，锅就那么大。把锅做大的是模型本身的迭代，不是调度器的花活。
这 4.1 个点我先打七折，不是因为方法没用，是因为尺子握在出题人自己手里。