目前業界模型性能通常與訓練期間投入的資源綁定，除了頭部廠商大肆投入資源訓練模型外，許多小型企業和個人開發者實際上并不具備足夠的資源，為了解決這一問題，許多團隊試圖尋找降本增效替代方案。

Hugging Face 于本月中旬公布一項報告，提出一種“擴展測試時計算（IT之家注：Test-Time Compute Scaling）”方法，也就是用時間來彌補模型體量，給予“低成本小模型”充足時間，讓相關模型能夠對復雜問題生成大量結果，再利用驗證器對這些結果進行測試及修正，反復輸出能夠比擬“高成本大模型”的結果。

Hugging Face 團隊表示，他們使用這種方法利用 10 億參數的 Llama 模型進行數學基準測試，據稱在某些情境下超越了參數量高達 70 億的大型模型，證明了用時間提升模型輸出內容效果做法可行。

此外，谷歌 DeepMind 最近也公布了類似的論文，他們認為可以為小模型動態分配運算資源，并設置驗證器對模型的解答結果進行評分，從而引導模型不斷輸出正確的答案，從而幫助企業以較少的資源部署足夠精度的語言模型。