这项由好意思团LongCat团队与北京大学软件工程国度工程商量中心斡旋开展的商量，以预印本样式于2026年5月4日发布，论文编号为arXiv:2605.02396v1，有兴味久了了解的读者可通过该编号查询竣工论文。

一、当一个AI大脑不够用，为什么不让它"开小组询查"？

你有莫得际遇过这种情况：一说念难题我方想了半天没端倪，但和几个一又友一说念询查，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"的形势，在东说念主类解题中日出不穷。好意思团LongCat团队的商量者们就在想：能弗成让AI也用相通的方式来处理复杂问题？

这篇论文提议的中枢方针叫作念HEAVYSKILL，汉文不错贯通为"重度念念考手段"。它的执行很浅薄：与其让AI只念念考一次就给出谜底，不如让AI同期启动多个孤独的念念维分支，各自解题，然后再由一个"纪念者"把扫数念念路汇总，判断哪个正确，最终给出谜底。就像一个班级里，老诚把团结说念难题交给多个学习小组孤独解答，然后召集扫数小组申报扫尾，终末由老诚详细各组的念念路作念出最泰斗的判断。

这个念念路听起来很直观，但商量团队作念的事远不啻"想出这个点子"这样浅薄。他们系统地商量了这种方式到底有多灵验、在哪些情况下最管用、怎样把它变成AI不错奏凯调用的"手段"，还探索了能否通过强化学习进一步强化这种智商。接下来就一步步拆解这项商量。

二、AI智能助手背后的"指点中心"是怎样使命的？

在贯通HEAVYSKILL之前，有必要先了解一下当代AI助手的使命方式。当今主流的AI系统往往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"（称为编排器或和解者），底下管着很多有益的"小分队"（子代理），各倨傲责不同任务，还配有"档案室"（挂念组件）和"器具库"（手段组件）。

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。这些系统之是以梗概处理复杂任务，是因为总指点不错机动调配各个小分队协同使命。经营词，商量团队发现了一个重要问题：这些系统的优秀阐扬，到底是因为精妙的架构遐想，照旧因为AI模子自己的推理智商在施展作用？

商量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方法：先是让多个子代理"并行念念考"（各自孤独分析团结个问题），然后再由总指点"汇总归纳"（详细扫数分析得出最终谜底）。换句话说，花哨的系统架构其实仅仅这两个方法的不同包装方式。

这一发现让商量团队产生了一个斗胆的方针：既然核神思制就是"并行念念考加汇总"，何不把这个智商奏凯内化到AI模子自己，让模子无需复杂的外部架构就能我方扩张这套经过？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的使命经过不错拆分为两个解析的阶段，像奋力于赛一样前后衔尾。

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个孤独的推理者（K不时设为8或16），每个推理者实足不知说念其他推理者在想什么，各自从零启动解题。这种相互梗阻终点紧迫——恰是因为每个推理者的念念路实足孤独，才智产生信得过各样化的解题旅途。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，有东说念主则寻求直爽的优雅解法。各样化的念念路意味着更大的概率狡饰到正确谜底。

扫数推理者完成解题后，他们的念念考过程会被整理成一个"挂念缓存"，也就是一份按秩序陈列的念念路汇总文档。由于每个推理者的念念考过程往往终点冗长，奏凯把全部内容放进去会超出AI的处理上限，是以系统会对每条念念路进行相宜剪辑，而且打乱秩序陈列，雅致AI对某个特定位置的谜底产生偏向。

第二阶段叫作念"秩序审议"。另一个AI饰演"纪念者"的脚色，拿到这份汇总文档后，不是浅薄地数哪个谜底出现次数最多就选择哪个，而是进行信得过的批判性分析。纪念者会相比各个推理者念念路的互异，找出逻辑缝隙，判断哪个推理链条最为严实，致使在发现扫数推理者都错了的情况下，孤独再行推导出正确谜底。

此外，商量团队还遐想了一个可选的"迭代审议"机制。在第二阶段产生纪念扫尾后，这个纪念不错被再行放回挂念缓存，看成一个独特的"人人推理者"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、把使命经过变成一张"证据书"：AI读懂就能扩张

这套经过不仅不错通过外部代码来驱动，商量团队还将其索要成了一份AI不错奏凯阅读和扩张的"手段文献"——HEAVYSKILL.md。

这份文献执行上是一份用当然语言写成的操作步伐，就像给新职工入职时发的使命手册。文献的第一部分明确章程了什么情况下应该启用这套经过：迎面临竞赛数学、复杂逻辑推理、算法编程等高难度问题时，应当激活；关于浅薄的信息查询或日常聊天，则不消启动，幸免奢侈测度资源。

文献的第二部分刻画了怎样生成并行推理：系统应该同期启动3到5个（在竣工使命流模式下可达8个以上）相互孤独的推理代理，每个代理必须重新启动解题，不得参考其他代理的使命。文献还饱读吹不同代理弃取不同的解题计谋，以最大化各样性。

文献的第三部分包含了审议阶段的中枢领导：纪念者必须明确鉴识哪些推理链条是逻辑严实的，哪些存在弊端；多数东说念主的主意是参考信号，但绝非正确的保证；少数派的正确推理值得负责对待；淌若扫数推理者都错了，纪念者有包袱孤独再行推导谜底。

文献的第四部分章程了输出情势：最终给用户的仅仅谜底自己，不需要展示扫数这个词分析元过程；数学题用尺度的方框情势，编程题用代码块，以保握与用户盼望的一致性。

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手段加载和子代理调用的AI编排框架中，无需修改任何代码。商量团队已考据，团结份HEAVYSKILL.md文献在ClaudeCode和自界说编排框架中均可正常运行。

五、信得过的磨真金不怕火：让AI去解竞赛数学题和编程难题

商量团队为HEAVYSKILL安排了一系列严苛的磨真金不怕火，狡饰了理工科、编程和通用推理多个标的。

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（卓绝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（商量生级别物理、化学、生物详细题目）。这些题目对东说念主类来说也终点有挑战性，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。

为了预计后果，商量团队遐想了五种评价盘算，酿成了一套竣工的测量体系。Mean@K预计的是K次并行推理的平均准确率，反应基础水平。Pass@K预计的是K次推理中至少有一次正确的比例，代表模子的"智商天花板"。Vote@K则是传统多数投票法的准确率，终点于刻下常用的"最好K选N"计谋（Best-of-N）。在HEAVYSKILL框架下，还有两个新盘算：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份纪念内容。

六、数据话语：HEAVYSKILL到底有多强？

测试扫尾组成了一幅解析的图景，合座端正终点平安。

在理工科任务上，HEAVYSKILL展现出全面且郑重的上风。以DeepSeekR1-0528模子在HMMT25-Feb上的阐扬为例：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"智商天花板"Pass@8的93.3%。访佛的普及幅度在险些扫数模子和扫数理工科测试集上都能不雅察到。

商量团队纪念出了一个相连扫数实验的端正：Heavy-Pass@K≥Heavy-Mean@K≥Vote@K≥Mean@K。这个条理关系证据，HEAVYSKILL不仅让平均阐扬优于传统投票方法，致使在"后劲天花板"层面也卓绝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柢莫得出现过的正确谜底。

关于顶尖的前沿模子，M6体育app官网最新版后果更为权贵。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唯有70.1%。KimiK2Thinking在AIME25上，K=8时HM@4奏凯达到100%，与Pass@8的上限都平。GLM4.6在HMMT25-Feb上，K=16时HM@4达到99.2%，相通靠近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明晰地暴袒露来。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上更为彰着——恰是因为AIME25对强模子来说一经接近迷漫，反而看不出多大别离。

在通用推理任务上，情况略有不同，体现出彰着的任务依赖性。在LiveCodeBench（代码竞赛）和IFEval（指示除名）这类有明确正确谜底的任务上，普及依然权贵。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%普及到69.3%，险些翻了一倍。经营词在Arena-Hard（东说念主类偏好对话）这类主不雅性任务上，普及幅度就终点有限，有时致使略有下落。这证据审议机制在"追求正确性"的任务上后果隆起，但在"追求作风偏好"的任务上或然占优。

七、深挖：是哪些关节信得过决定了成败？

除了合座测试，商量团队还作念了一系列拆解实验，试图弄明晰HEAVYSKILL各个部分的具体孝敬。

第一个实验商量了审议阶段能否考订并行推理阶段的空幻。商量者用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。扫尾炫夸，即使关于那些并行通过率低于50%的"鬈曲题目"，审议阶段依然梗概考订终点一部分空幻——约莫有500说念正本多数推理者都答错的题目，经过审议后被收效考订。而关于并行通过率一经越过50%的题目，审议阶段的收效力越过98%，少量出现反向凋残。

第二个实验商量了审议阶段用什么模子最合适。商量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：相通是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度：即即是Qwen2.5-32B-Instruct这个模子在孤独解题时的阐扬比R1-Distill-Qwen-7B还要差（其在AIME25上的孤独准确率唯有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普及。这证据审议阶段考验的不是"会不会我方解题"，而是"能弗成详细分析多条推理旅途"——这是一种不同类型的智商，更偏向于批判性阅读和详细判断。

第三个实验商量了迭代次数对后果的影响。商量者将迭代次数从1轮扩展到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。扫尾炫夸，跟着迭代次数加多，HM@K（平均准确率）呈现平安的高潮趋势，证据多轮迭代如实有助于进一步普及合座阐扬。经营词HP@K（最高后劲盘算）却随迭代次数加多而有所下落，证据多轮迭代在普及平均阐扬的同期，可能也引入了来自前几轮的信息过问，隔断了模子在少数情况下施展出极限水平的可能性。这揭示了一个需要量度的中枢矛盾：迭代的深度与信息一致性之间存在张力，并非越多越好。

第四个实验商量了怎样从大都并行推理中及第哪K条进行审议。商量者对每说念题生成256条推理旅途，然后相比四种及第计谋。飞速及第是基准；最大各样性计谋弃取互异最大的K条；最大长度计谋弃取最长的K条；最高频率计谋弃取包含最高频率谜底的K条（即多数投票优先）。扫尾发现，最大长度计谋阐扬最差，证据推理越长或然越对；最大各样性计谋与飞速及第后果临近，证据刻意追求各样性的边缘收益有限；最高频率计谋阐扬最好，证据先用多数投票筛选出果真度较高的推理旅途，再交给审议阶段高超，是更贤达的组共计谋。

第五个实验将HEAVYSKILL扩展到需要调用外部器具的场景。商量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。测试扫尾炫夸，在AIME25和HMMT25上，HM@4依然全面越过传统投票方法，证据HEAVYSKILL的核神思制在器具提拔场景下相通灵验。

八、用强化学习连续"雕刻"这项手段

除了以上已有智商的测试，商量团队还探索了一个更前沿的问题：能弗成通过磨真金不怕火让AI把这种"重度念念考"的智商变得更强？

具体决策是，把并行推理加审议的竣工过程打包成磨真金不怕火数据，用可考据奖励强化学习（RLVR）来优化模子。磨真金不怕火框架弃取VeRL，强化学习算法弃取GSPO。磨真金不怕火对象是R1-Distill-Qwen-7B，磨真金不怕火数据有益及第了那些"并行通过率在0到62.5%之间"的鬈曲题目，也就是模子不太擅长的那类题目，分别用K=8和K=16两种并行竖立进行磨真金不怕火。

从磨真金不怕火过程的图表来看，在前100步内，模子在磨真金不怕火集和测试集上的HM@4均呈现平安的高潮趋势，最终普及幅度约为10个百分点。经营词两种竖立的阐扬出现了不对：K=16的竖立在越过100步后出现了彰着的熵坍塌形势，磨真金不怕火变得不平安；而K=8的竖立在扫数这个词磨真金不怕火过程中保握了相对平安的趋势。商量团队判断，K=16时产生的序列化挂念缓存过长，超出了R1-Distill-Qwen-7B模子的灵验处理范围，导致磨真金不怕火信号质料下落。

这些初步扫尾标明，RLVR如实能在一定进程上普及HEAVYSKILL的后果，但如安在更大的并行规模下保管磨真金不怕火平安性，还需要进一步的商量来处理。

说到底，这项商量作念的事情是把一个听起来很复杂的"多智能体和解系统"复原成了它的执行：AI同期用多种念念路解题，然后由一个批判性的纪念者筛选出最好谜底。这套机制被索要成了一个不错在职意AI编排框架中插拔使用的手段文献，不依赖于任何特定的系统遐想。通过狡饰十余个模子、多个难度层级测试集的系统实验，商量团队证据了这种方式在理工科推理和代码竞赛任务上的平安灵验性，尤其是关于强模子，阐扬梗概接近表面上限。关于平日用户而言，这意味着将来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商量者而言，如安在不加多系统架构复杂度的前提下，进一步通过磨真金不怕火把这种手段刻入模子自己，仍然是一个值得久了探索的盛开问题。有兴味进一步了解时间细节的读者，不错通过arXiv编号2605.02396查阅竣工论文，对应的代码也已开源。

Q&A

Q1：HEAVYSKILL和平日多数投票（Best-of-N）有什么执行区别？

A：平日多数投票仅仅数哪个谜底出现次数最多就选择哪个，执行上是一种统计方法，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，梗概识别"少数正确派"，致使在扫数推理者都犯错时孤独推导出新谜底。实验数据炫夸，HEAVYSKILL在鬈曲题目上历久优于多数投票，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后果最好？

A：HEAVYSKILL在有明确正确谜底、不错被客不雅考据的任务上后果最权贵，比如竞赛数学题、科学测度题、算法编程题和指示除名任务。关于主不雅性强、以东说念主类偏好为评判尺度的任务（如盛开式对话），普及幅度则相对有限，有时致使略有下落。浅薄来说，越"有尺度谜底"的任务，HEAVYSKILL的上风越彰着。

Q3：审议阶段使用智商弱一丝的模子会不会影响后果？

A：不一定会。商量实验发现，即使用孤独解题智商较弱的模子看成审议者，也能产生灵验的性能普及。这是因为审议阶段需要的中枢智商是"详细分析和批判性判断"，而不是"孤独解题"。换句话说米乐体育(M6Sports)官网入口，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，相通不错胜任审议使命。

AG真人中国官网入口