テストタイム計算とは　DeepSeek-R1は考える文章を長くして数学試験の正答率を79.8%に

推論時の計算（テストタイム計算）とは、AIモデルが質問に答えるときに、すぐ答えず、多くの計算を使ってから答えを出す方法のことです。これまでAIの性能は、学習に使う計算とデータを増やして上げるのが中心でした。テストタイム計算は、使う段階の計算を増やす、もう1つの道です。

2つのやり方

1つ目は、考える過程を文章として書かせる方法です。モデルは答えの前に、途中の式や検討を内部で書き出します。間違いに気づけば、書きながら直します。書く文章が長いほど、計算も多くなります。

2つ目は、同じ質問に答えの候補を何本も作り、多数決や別の採点用のモデルで選ぶ方法です。候補の数を増やすほど、正しい答えが含まれる確率が上がります。

2024年8月に公開された論文は、質問の難しさに応じて計算の配り方を変えると、候補を一律にN本作る方法より4倍以上効率がよいと報告しました。計算量をそろえた比べ方では、14倍大きいモデルを上回る場面があったとしています。

DeepSeek-R1の数字

DeepSeekは2025年1月公開の論文で、強化学習だけで考える力を伸ばしたモデルR1-Zeroと、それを改良したR1を示しました。

DeepSeekの論文が示した数学の試験の正答率

モデル・条件	AIME 2024	MATH-500
R1-Zero 強化学習の前	15.6%	-
R1-Zero 強化学習の後	71.0%	-
R1-Zero 多数決	86.7%	-
R1	79.8%	97.3%
OpenAI o1（2024年12月版）	79.2%	96.4%

論文は、学習が進むにつれて、R1-Zeroが考える時間を自分で延ばしていったと書いています。考える文章は、数百から数千トークンに及ぶとしています。

半導体の需要との関係

考える文章も、答えと同じように1トークンずつGPUで生成します。質問1件あたりのトークンが数倍になれば、同じ利用者数でも推論に使うGPUの時間は数倍になります。業界の性能試験MLPerfは2025年、推論型のDeepSeek-R1を試験に加えました。対話向けの区分では、1トークンごとの間隔を15ミリ秒以内とする厳しい条件を置いています。

関連する用語

• 強化学習：答えの正しさに応じて報酬を与え、モデルを改良する学習の方法です。
• 推論のレイテンシ：考える文章が長いほど、答えが出るまでの時間も延びます。
• 長い文脈：考える文章もモデルが読む文脈に入るため、メモリを使います。