Das System AutoTTS (Automatic Test-Time Scaling) wurde von Forschern der University of Maryland, Google, Meta und weiteren Institutionen entwickelt, um KI-gestützte Agenten – konkret Claude Code – eigenständig neue Kontrollalgorithmen für das Reasoning von Sprachmodellen zur Laufzeit (Test-Time Compute) entdecken zu lassen. Statt menschlicher Intuition oder klassischem Hyperparameter-Tuning durchsucht der Agent den Algorithmen-Raum automatisch. Das Ergebnis: ein Algorithmus, der den Rechenaufwand gegenüber Self-Consistency – einer verbreiteten Baseline für Reasoning mit mehrfacher Antwortgenerierung und Mehrheitsvoting – um rund 70 Prozent reduziert, ohne Einbußen bei der Genauigkeit. Besonders bemerkenswert ist die Effizienz des Prozesses selbst: Die gesamte Suche kostete lediglich 40 US-Dollar und war in 160 Minuten abgeschlossen. Die Forscher betonen, dass der gefundene Algorithmus eine Struktur aufweist, die Menschen wahrscheinlich nicht entworfen hätten – ein Hinweis auf das Potenzial von LLM-Agenten für automatisierte algorithmische Forschung jenseits menschlicher Designpräferenzen.