本文是对 @lesliedqbb 挂载的一段约 63.4 分钟（duration_ms=3802569，1280×720）横屏视频的摘要与评论（读帖时约 937 曝光、11 赞、19 收藏、1 转发）。帖文中文钩子写「她 18 岁时用 Opus 5 构建 AI 代理，以 320 万美元卖给 Anthropic，再到斯坦福展示从零怎么做」，并点名「4 个代理取代了 400 名 Anthropic 工程师」「从第一个提示到 Anthropic 开出的 320 万美元支票」。

核对后：钩子与片中口播不符。 正片是斯坦福 CS329A Self-Improving AI Agents（Autumn 2025）第 2 讲 Test-Time Compute Scaling，主讲 Azalia Mirhoseini（Stanford CS 助理教授；与 Aakanksha Chowdhery 共同授课）。官方录像在 Stanford Online 频道：YouTube Part 2；课表见 cs329a.stanford.edu。公开侧（含 AI Hype Audit 对同账号同类模板的审计）亦指出：这类「卖掉 Agent / 取代几百工程师 / 斯坦福教你复制」是同一账号反复换买家与金额的营销模板，视频本身是学术讲座，不是成交公告。Anthropic 2026 年公开收购对象是公司主体，而非陌生人「一晚上做出来的 Agent」。

本稿依据 X 镜像视频关键帧 + 官方 YouTube 英文字幕整理，不是逐字转载。插图为片中关键帧。完整口播请看原帖视频或官方 Part 2。

这篇在说什么

一条主线：在不改模型参数、不做额外微调的前提下，把算力花在推理（inference / test-time）上，也能系统性地抬高能力——前提是你有办法挑出好答案（验证器、奖励模型、多数票、融合等）。

若你没听过这堂课，可以先抓住一个生活类比：同一道数学题，让学生答一次，和让学生答二十次再由老师批改选出对的那次，正确率可以差很多——前提是老师（验证器）真的会批改。课里把「答多次」叫做 test-time compute（推理时算力），把「老师批改」叫做 verifier（验证器）。帖文把它改写成「十八岁一晚卖掉 Agent」，等于把习题课改写成中奖新闻。

课表指定阅读大致对应片中四块：

论文 / 主题	片中重心
Large Language Monkeys（Brown et al.）	重复采样 + 验证器；coverage 随样本数呈可拟合的 power law
How Do Large Language Monkeys Get Their Power (Laws)?	单题指数衰减 vs 题集 power law；长尾难题是必要条件
Scaling LLM Test-Time Compute Optimally（Snell et al.）	并行 best-of-N vs 序列修正；ORM / PRM；与预训练 FLOPs 对照
Archon（Saad-Falcon et al.）	把「推理时技巧」当成可搜索的架构，在预算下拼装采样 / 融合 / 批评 / 验证 / 单测生成

帖文时间戳（「00:34 Opus 5 建 320 万 Agent」等）与片中章节对不上，解读时请直接忽略。

1. 新前沿在 Inference，不在「再训一个更大的基座」

开场把 LLM 生命周期画成三格：Pre-training → Fine-tuning → Inference，并强调第三格是新的缩放轴：预训练仍可能烧数月 GPU，微调数据量通常小几个数量级；而推理侧可以反复问同一题、离线堆 token，在不更新权重的情况下抬高可用能力。口播点到：过去公司把大钱砸在预训练，每次用户调用几乎「一次来回」；现在可以把大量算力留给推理，甚至让 Agent 在后台持续生成再筛选。

解读：这对工程读者的可执行启发不是「别预训练了」，而是：能力预算里要单独留一栏给 test-time——采样次数、修正轮数、验证成本，都要进报价与 SLA。

换句话说：上线报价单里如果只有「用哪个基座模型」，却没有「每题最多采几次、验证失败如何重试、验证本身要花多少钱」，你还在用「一次来回」的旧账本管新时代的推理账单。

2. Large Language Monkeys：重复采样 + 验证器

核心实验直觉：对同一输入采 k 次，用验证器挑对的那条。幻灯显示：在足够采样下，Llama-3-8B 一类开源模型在若干推理基准上的 coverage（至少一次采对的比例）可以超过 GPT-4o 单次。口播把现象说成：较小模型「其实有时已经知道答案」，只是第一次不一定说出来——重复采样是在把潜在解「捞」出来。

同一范式延伸到带自动验证的 Agent 基准（幻灯写 SWE-Bench Verified）：在有单测 / 形式化证明可判定对错时，开源模型 + 大规模采样的 coverage 曲线可压过当时部分闭源 SOTA 单次结果。片中举例 DeepSeek 类模型在千级采样后覆盖率抬升。

随后讲 pass@k 的缩放律：题集层面 coverage 对 k 常呈可拟合的指数/幂律；单题层面更接近「至少一次对」的指数式。进一步追问「为什么题集是 power law」时，结论指向：题集里要有足够长尾难题，否则曲线形态对不上。

解读：没有验证器，重复采样只是堆候选；有验证器（单测、形式证明、输出一致性比对），它才变成「可自动变强」的流水线。帖文里的「一晚做出可卖千万的 Agent」把这套学术机制改写成了个人发财故事。

工程上落地时，先问域是否「可自动判对错」。有单测的代码修复、有标准答案的数学题、可用参考实现对照的内核生成，适合加采样；开放式文案、战略备忘、需要价值判断的决策，验证器本身就不可靠，best-of-N 会变成「堆一堆听起来像那么回事的段落」。课的锋利处在承认这条鸿沟，而不是假装处处能采样通关。

3. 验证鸿沟：有自动校验 vs 只能打分

关键句：在可自动验证的域（形式化数学、代码单测、「AI as a compiler」——用源 PyTorch 行为当 CUDA 生成的校验器，并点到 KernelBench），加采样几乎直接换能力；在缺少硬校验的域，best-of-N 与多数票 / 奖励模型排序之间仍有大缝。

奖励模型两分法写得很干净：

• Outcome Reward Model（ORM）：只给最终答案打分
• Process Reward Model（PRM）：逐步打分，用于引导序列修正 / 搜索

口播还讨论并行采样与序列 revision 的组合，以及「按难度分箱后，简单题更偏序列、难题上最优配比更不稳定」——没有万能配方。

4. 与预训练对照：简单题可「推理硬刚」，最难题仍吃基座

Snell 等人 FLOPs 对齐实验的幻灯结论（口播同步）：

• 易 / 中等题：额外 test-time 算力常常比继续砸预训练更划算
• 最难档：test-time 增益很小，甚至相对「把同等 FLOPs 给预训练」更吃亏——更好的基座仍然重要

解读：可执行启发是分流，而不是口号。客服式、有单测的编码任务可以大胆加采样与重试；开放式难题仍应优先模型能力与数据，而不是无限 n=1000。

预算分配可以写成检查表：这题有没有硬校验？有 → 提高并行采样或序列修正轮数；没有 → 先投资更好的基座、更好的过程监督数据，或把题改造成可验证子题。把「推理时算力」当成万能油，会在最难档上浪费钱。

5. Archon：把推理时技巧当成可搜索的架构

后半段进入 Archon：给定目标基准、推理调用预算、可用模型池与一组推理时组件（重复采样、fusion 把多答案合成一条、critic、verifier、自然语言单测生成与评估等），用搜索拼出「质量–成本」更好的推理架构。幻灯主张：在指令遵循 / 推理 / 数学 / 编码等任务上，Archon 配置相对 GPT-4o、Claude 3.5 Sonnet 的 pass@1 / win-rate 平均约 +14.1%（需注意：这是多调用推理系统相对单次基线，不是「四个 Agent 取代 400 名工程师」）。

片中还演示用 LLM 写「自然语言单元测试」来约束解的空间（括号匹配一类例子）——验证器本身也可以由模型生成，再进入闭环。

解读：工程上可带走的不是「搜一个万能 Archon」，而是清单：采样宽度 × 序列深度 × 融合/批评 × 验证器来源 × 预算——先把这五个旋钮写进设计文档，再谈「Agent 产品」。

五个旋钮里，最容易被营销话术删掉的是「验证器来源」与「预算」。Archon 的意义是提醒你：推理时技巧可以当架构来搜索，而不是当灵感来堆；但搜索本身也要花调用次数。没有预算上限的「自动架构搜索」，只是把账单从训练挪到推理，并不自动等于利润。

怎么看这条帖

• 正片价值：CS329A 第 2 讲是扎实的 test-time compute 导论；Monkeys / 验证鸿沟 / ORM·PRM / Archon 一条线讲完，适合当「推理时算力」目录页。官方课表与 YouTube 可回源。
• 帖文水分：「18 岁 / Opus 5 / 卖 Anthropic 320 万美元 / 4 Agent 取代 400 工程师」与口播、幻灯、公开收购记录均对不上；同账号历史上有多条金额与买家互换的同构模板（参见 AI Hype Audit 对同类 Anthropic 成交帖的拆解）。
• 关于「Opus 5」：Claude Opus 5 是 Anthropic 于 2026-07-24 发布的真实模型 ID（claude-opus-5，后有 Opus 5.5）；本讲座并不教「用 Opus 5 做一晚卖掉」，片中对比模型多为 GPT-4o、Claude 3.5 Sonnet、Llama 3、DeepSeek、PaLM 2 等当时论文设定。
• 讲者与 Anthropic：Part 1 自我介绍中 Azalia 提及曾在 Anthropic 参与 Claude、在 DeepMind 参与 Gemini——这是履历，不是本片成交叙事的证据。

原文

• X 帖（含本镜像视频）：https://x.com/lesliedqbb/status/2115333818207162615
• 官方讲座：Stanford CS329A Part 2 — Test-Time Compute Scaling
• 课程主页：https://cs329a.stanford.edu/