这项由好意思团LongCat团队与北京大学软件工程国度工程接洽中心斡旋开展的接洽，以预印骨子式于2026年5月4日发布，论文编号为arXiv:2605.02396v1，有兴味深切了解的读者可通过该编号查询好意思满论文。

一、当一个AI大脑不够用，为什么不让它"开小组磋磨"？

你有莫得遭受过这种情况：一说念难题我方想了半天没线索，但和几个一又友一皆磋磨，民众各自从不同角度分析，最终得出了正确谜底。这种"世东说念主拾柴火焰高"的情状，在东说念主类解题中层见迭出。好意思团LongCat团队的接洽者们就在想：能弗成让AI也用雷同的表情来处分复杂问题？

这篇论文提议的中枢想法叫作念HEAVYSKILL，华文不错领路为"重度想考妙技"。它的实际很粗浅：与其让AI只想考一次就给出谜底，不如让AI同期启动多个孤苦的想维分支，各自解题，然后再由一个"追溯者"把整个想路汇总，判断哪个正确，最终给出谜底。就像一个班级里，憨厚把兼并说念难题交给多个学习小组孤苦解答，然后召集整个小组讲演扫尾，临了由憨厚详尽各组的想路作念出最泰斗的判断。

这个想路听起来很直观，但接洽团队作念的事远不啻"想出这个点子"这样粗浅。他们系统地接洽了这种表情到底有多灵验、在哪些情况下最管用、若何把它变成AI不错径直调用的"妙技"，还探索了能否通过强化学习进一步强化这种才略。接下来就一步步拆解这项接洽。

二、AI智能助手背后的"指点中心"是若何使命的？

在领路HEAVYSKILL之前，有必要先了解一下当代AI助手的使命表情。现在主流的AI系统时常不是一个单独的大脑，而更像一个复杂的公司组织架构——有一个"总指点"（称为编排器或妥洽者），底下管着好多挑升的"小分队"（子代理），各自夸责不同任务，还配有"档案室"（纪念组件）和"器用库"（妙技组件）。

这种架构被称为"智能体编排框架"，代表性的系统包括ClaudeCode、CodeX以及Hermes等。这些系统之是以大概处理复杂任务，是因为总指点不错无邪调配各个小分队协同使命。接洽词，接洽团队发现了一个重要问题：这些系统的优秀推崇，到底是因为精妙的架构狡计，照旧因为AI模子自己的推理才略在阐发作用？

接洽团队通过仔细不雅察发现，不管架构何等复杂，这些系统的中枢使命模式其实都不错归纳为两个要道：先是让多个子代理"并行想考"（各自孤苦分析兼并个问题），然后再由总指点"汇总归纳"（详尽整个分析得出最终谜底）。换句话说，花哨的系统架构其实仅仅这两个要道的不同包装表情。

这一发现让接洽团队产生了一个勇猛的想法：既然中枢计制就是"并行想考加汇总"，何不把这个才略径直内化到AI模子自己，让模子无需复杂的外部架构就能我方引申这套过程？这恰是HEAVYSKILL的立论基础。

三、HEAVYSKILL的使命旨趣：一场有组织的头脑风暴

HEAVYSKILL的使命过程不错拆分为两个线路的阶段，像努力赛一样前后衔尾。

第一阶段叫作念"并行推理"。给定一说念题目，系统会同期启动K个孤苦的推理者（K经常设为8或16），每个推理者透顶不知说念其他推理者在想什么，各自从零启动解题。这种相互阻遏相称繁难——恰是因为每个推理者的想路透顶孤苦，智力产生信得过种种化的解题旅途。有东说念主可能用代数方法，有东说念主用几何方法，有东说念主倾向于暴力穷举，有东说念主则寻求纯粹的优雅解法。种种化的想路意味着更大的概率障翳到正确谜底。

整个推理者完成解题后，他们的想考过程会被整理成一个"纪念缓存"，也就是一份按方法陈设的想路汇总文档。由于每个推理者的想考过程时常相称冗长，径直把全部内容放进去会超出AI的处理上限，是以系统会对每条想路进行合适剪辑，况且打乱方法陈设，顾惜AI对某个特定位置的谜底产生偏向。

第二阶段叫作念"方法审议"。另一个AI饰演"追溯者"的变装，拿到这份汇总文档后，不是粗浅地数哪个谜底出现次数最多就接管哪个，而是进行信得过的批判性分析。追溯者会相比各个推理者想路的相反，找出逻辑纰漏，判断哪个推理链条最为严实，以致在发现整个推理者都错了的情况下，孤苦再行推导出正确谜底。

此外，接洽团队还狡计了一个可选的"迭代审议"机制。在第二阶段产生追溯扫尾后，这个追溯不错被再行放回纪念缓存，看成一个出奇的"行家推理者"参与下一轮审议。如斯轮回，最多不错进行N轮迭代，让谜底在反复打磨中趋向正确。

四、把使命过程变成一张"瓦解书"：AI读懂就能引申

这套过程不仅不错通过外部代码来驱动，接洽团队还将其索取成了一份AI不错径直阅读和引申的"妙技文献"——HEAVYSKILL.md。

这份文献实际上是一份用当然语言写成的操作表率，就像给新职工入职时发的使命手册。文献的第一部分明确国法了什么情况下应该启用这套过程：迎濒临竞赛数学、复杂逻辑推理、算法编程等高难度问题时，应当激活；关于粗浅的信息查询或日常聊天，则无谓启动，幸免花消计较资源。

文献的第二部分态状了若何生成并行推理：系统应该同期启动3到5个（在好意思满使命流模式下可达8个以上）相互孤苦的推理代理，每个代理必须重新启动解题，不得参考其他代理的使命。文献还荧惑不同代理遴荐不同的解题计谋，以最大化种种性。

文献的第三部分包含了审议阶段的中枢辅导：追溯者必须明确永别哪些推理链条是逻辑严实的，哪些存在劣势；多数东说念主的主张是参考信号，但绝非正确的保证；少数派的正确推理值得隆重对待；要是整个推理者都错了，追溯者有包袱孤苦再行推导谜底。

文献的第四部分国法了输出时势：最终给用户的仅仅谜底自己，不需要展示通盘分析元过程；数学题用圭表的方框时势，编程题用代码块，以保执与用户守望的一致性。

这份文献最大的上风在于其可移植性。由于它仅仅一份纯文本文档，莫得任何特定系统的依赖，不错被插入任何维持妙技加载和子代理调用的AI编排框架中，无需修改任何代码。接洽团队已考证，兼并份HEAVYSKILL.md文献在ClaudeCode和自界说编排框架中均可正常运行。

五、信得过的进修：让AI去解竞赛数学题和编程难题

接洽团队为HEAVYSKILL安排了一系列严苛的进修，障翳了理工科、编程和通用推理多个目的。

在理工科方面，测试题目来自AIME25（好意思国数学邀请赛2025年题目）、BeyondAIME（越过AIME难度的题目）、HMMT25-Feb（哈佛-麻省理工数学竞赛2025年2月场）以及GPQA-Diamond（接洽生级别物理、化学、生物详尽题目）。这些题目对东说念主类来说也额外有挑战性，对AI更是如斯。

测试中参与的AI模子涵盖了闭源和开源两大阵营。闭源方面包括GPT-5Thinking、Claude4.5Thinking和Gemini3ProPreview；开源方面则包括DeepSeekR1系列、Qwen3系列、KimiK2Thinking、GLM4.6等十余个模子，涵盖了从7亿到超大规模参数的不同体量。

为了推断效率，接洽团队狡计了五种评价目的，变成了一套好意思满的测量体系。Mean@K推断的是K次并行推理的平均准确率，反馈基础水平。Pass@K推断的是K次推理中至少有一次正确的比例，代表模子的"才略天花板"。Vote@K则是传统多数投票法的准确率，额外于现时常用的"最好K选N"计谋（Best-of-N）。在HEAVYSKILL框架下，还有两个新目的：Heavy-Mean@K（简称HM@K）是经过审议阶段后的平均准确率，Heavy-Pass@K（HP@K）是审议后扫尾中至少一次正确的比例。

实验默许将温度参数设为1.0，并行推理路数K设为8或16，审议阶段生成4份追溯内容。

六、数据言语：HEAVYSKILL到底有多强？

测试扫尾组成了一幅线路的图景，举座法规额外褂讪。

在理工科任务上，HEAVYSKILL展现出全面且稳妥的上风。以DeepSeekR1-0528模子在HMMT25-Feb上的推崇为例：在K=8的情况下，单次推理平均准确率（M@8）为80.8%，多数投票准确率（V@8）为86.7%，而HEAVYSKILL的平均准确率（HM@4）达到91.7%，进一步接近了"才略天花板"Pass@8的93.3%。肖似的进步幅度在险些整个模子和整个理工科测试集上都能不雅察到。

接洽团队追溯出了一个联结整个实验的法规：Heavy-Pass@K≥Heavy-Mean@K≥Vote@K≥Mean@K。这个档次关系瓦解，HEAVYSKILL不仅让平均推崇优于传统投票方法，以致在"后劲天花板"层面也越过了单纯并行推理的上限——这意味着审议阶段有时能合成出单个推理旅途根底莫得出现过的正确谜底。

关于顶尖的前沿模子，抢庄牛牛APP效率更为显贵。GPT-5Thinking在BeyondAIME上，K=16时HM@4达到82.5%，HP@4达到88.0%，而相应的Mean@16惟有70.1%。KimiK2Thinking在AIME25上，K=8时HM@4径直达到100%，与Pass@8的上限皆平。GLM4.6在HMMT25-Feb上，K=16时HM@4达到99.2%，雷同靠近100%的极限。

传统多数投票方法在某些高难度任务上的局限性也被了了地暴闪现来。关于多数模子而言，在BeyondAIME、HMMT和GPQA-Diamond这类更具挑战性的测试集上，HEAVYSKILL相对投票方法的上风比在AIME25上更为较着——恰是因为AIME25对强模子来说如故接近充足，反而看不出多大别离。

在通用推理任务上，情况略有不同，体现出较着的任务依赖性。在LiveCodeBench（代码竞赛）和IFEval（指示效劳）这类有明确正确谜底的任务上，进步依然显贵。GPT-OSS-20B在LiveCodeBench上的准确率从69.7%跃升到85.5%；R1-Distill-Qwen3-8B在IFEval上从35.7%进步到69.3%，险些翻了一倍。接洽词在Arena-Hard（东说念主类偏好对话）这类主不雅性任务上，进步幅度就额外有限，有时以致略有下跌。这瓦解审议机制在"追求正确性"的任务上效率隆起，但在"追求立场偏好"的任务上有时占优。

七、深挖：是哪些要道信得过决定了成败？

除了举座测试，接洽团队还作念了一系列拆解实验，试图弄了了HEAVYSKILL各个部分的具体孝敬。

第一个实验接洽了审议阶段能否鼎新并行推理阶段的失实。接洽者用R1-Distill-Qwen-7B模子，对1万说念题各自生成16条并行推理旅途，然后按并行通过率（即K条推理中正确的比例）把题目分组，分别不雅察审议后的通过率变化。扫尾骄横，即使关于那些并行通过率低于50%的"困难题目"，审议阶段依然大概鼎新额外一部分失实——纰漏有500说念本来多数推理者都答错的题目，经过审议后被告捷鼎新。而关于并行通过率如故进步50%的题目，审议阶段的告捷率进步98%，小数出现反向衰弱。

第二个实验接洽了审议阶段用什么模子最合适。接洽者固定第一阶段使用R1-Distill-Qwen-7B，第二阶段分别换用三种不同的模子：雷同是R1-Distill-Qwen-7B、更新的R1-Distill-Qwen3-8B，以及Qwen2.5-32B-Instruct。扫尾颇为出东说念主猜想：即即是Qwen2.5-32B-Instruct这个模子在孤苦解题时的推崇比R1-Distill-Qwen-7B还要差（其在AIME25上的孤苦准确率惟有12.8%），但当它被用作第二阶段的审议者时，依然能产生灵验的性能进步。这瓦解审议阶段考验的不是"会不会我方解题"，而是"能弗成详尽分析多条推理旅途"——这是一种不同类型的才略，更偏向于批判性阅读和详尽判断。

第三个实验接洽了迭代次数对效率的影响。接洽者将迭代次数从1轮扩张到4轮，每轮固定使用8条并行推理，不雅察HM@K和HP@K的变化趋势。扫尾骄横，跟着迭代次数加多，HM@K（平均准确率）呈现褂讪的飞腾趋势，瓦解多轮迭代照实有助于进一步进步举座推崇。接洽词HP@K（最高后劲目的）却随迭代次数加多而有所下跌，瓦解多轮迭代在进步平均推崇的同期，可能也引入了来自前几轮的信息干与，适度了模子在少数情况下阐发出极限水平的可能性。这揭示了一个需要衡量的中枢矛盾：迭代的深度与信息一致性之间存在张力，并非越多越好。

第四个实验接洽了若何从大量并行推理中中式哪K条进行审议。接洽者对每说念题生成256条推理旅途，然后相比四种中式计谋。当场中式是基准；最大种种性计谋取舍相反最大的K条；最大长度计谋取舍最长的K条；最高频率计谋取舍包含最高频率谜底的K条（即多数投票优先）。扫尾发现，最大长度计谋推崇最差，瓦解推理越长有时越对；最大种种性计谋与当场中式效率邻近，瓦解刻意追求种种性的角落收益有限；最高频率计谋推崇最好，瓦解先用多数投票筛选出简直度较高的推理旅途，再交给审议阶段精湛，是更理智的组悉数谋。

第五个实验将HEAVYSKILL扩张到需要调用外部器用的场景。接洽者让模子在解题过程中不错调用Python解释器赢得运算扫尾，每次与解释器的交互最多50轮。测试扫尾骄横，在AIME25和HMMT25上，HM@4依然全面进步传统投票方法，瓦解HEAVYSKILL的中枢计制在器用援助场景下雷同灵验。

八、用强化学习不时"砥砺"这项妙技

除了以上已有才略的测试，接洽团队还探索了一个更前沿的问题：能弗成通过教师让AI把这种"重度想考"的才略变得更强？

具体决策是，把并行推理加审议的好意思满过程打包成教师数据，用可考证奖励强化学习（RLVR）来优化模子。教师框架遴荐VeRL，强化学习算法遴荐GSPO。教师对象是R1-Distill-Qwen-7B，教师数据挑升中式了那些"并行通过率在0到62.5%之间"的困难题目，也就是模子不太擅长的那类题目，分别用K=8和K=16两种并行成就进行教师。

从教师过程的图表来看，在前100步内，模子在教师集和测试集上的HM@4均呈现褂讪的飞腾趋势，最终进步幅度约为10个百分点。接洽词两种成就的推崇出现了不对：K=16的成就在进步100步后出现了较着的熵垮塌情状，教师变得不褂讪；而K=8的成就在通盘教师过程中保执了相对褂讪的趋势。接洽团队判断，K=16时产生的序列化纪念缓存过长，超出了R1-Distill-Qwen-7B模子的灵验处理范围，导致教师信号质地下跌。

这些初步扫尾标明，RLVR照实能在一定进度上进步HEAVYSKILL的效率，但如安在更大的并行规模下看护教师褂讪性，还需要进一步的接洽来处分。

说到底，这项接洽作念的事情是把一个听起来很复杂的"多智能体合营系统"复原成了它的实际：AI同期用多种想路解题，然后由一个批判性的追溯者筛选出最好谜底。这套机制被索取成了一个不错在职意AI编排框架中插拔使用的妙技文献，不依赖于任何特定的系统狡计。通过障翳十余个模子、多个难度层级测试集的系统实验，接洽团队瓦解注解了这种表情在理工科推理和代码竞赛任务上的褂讪灵验性，尤其是关于强模子，推崇大概接近表面上限。关于泛泛用户而言，这意味着当年AI助手在处理复杂问题时，有望通过这类机制提供愈加可靠和准确的谜底，而不仅仅给出一个可能出错的一次性推断。关于AI接洽者而言，如安在不加多系统架构复杂度的前提下，进一步通过教师把这种妙技刻入模子自己，仍然是一个值得深切探索的洞开问题。有兴味进一步了解技能细节的读者，不错通过arXiv编号2605.02396查阅好意思满论文，对应的代码也已开源。

Q&A

Q1：HEAVYSKILL和泛泛多数投票（Best-of-N）有什么实际区别？

A：泛泛多数投票仅仅数哪个谜底出现次数最多就接管哪个，实际上是一种统计方法，无法识别逻辑对错。HEAVYSKILL的审议阶段则会信得过分析每条推理旅途的逻辑严实性，大概识别"少数正确派"，以致在整个推理者都犯错时孤苦推导出新谜底。实验数据骄横，HEAVYSKILL在困难题目上遥远优于多数投票，差距在高难度测试集上尤为隆起。

Q2：HEAVYSKILL在什么类型的任务上效率最好？

A：HEAVYSKILL在有明确正确谜底、不错被客不雅考证的任务上效率最显贵，比如竞赛数学题、科学计较题、算法编程题和指示效劳任务。关于主不雅性强、以东说念主类偏好为评判圭表的任务（如洞开式对话），进步幅度则相对有限，有时以致略有下跌。粗浅来说，越"有圭表谜底"的任务，HEAVYSKILL的上风越较着。

Q3：审议阶段使用才略弱一丝的模子会不会影响效率？

A：不一定会。接洽实验发现，即使用孤苦解题才略较弱的模子看成审议者抢庄牛牛2026世界杯(中国)IOS/安卓官方下载，也能产生灵验的性能进步。这是因为审议阶段需要的中枢才略是"详尽分析和批判性判断"，而不是"孤苦解题"。换句话说，一个不擅长我方解数学题但善于评估别东说念主解题过程逻辑性的模子，雷同不错胜任审议使命。

金沙JinSha(中国)娱乐网入口