这项由好意思团LongCat团队与北京大学软件工程国度工程筹商中心调处开展的筹商，以预印骨子式于2026年5月4日发布，论文编号为arXiv:2605.02396v1，有酷好深刻了解的读者可通过该编号查询齐全论文。

一、当一个AI大脑不够用，为什么不让它"开小组商议"？

你有莫得碰到过这种情况：一谈难题我方想了半天没条理，但和几个一又友通盘商议，大家各自从不同角度分析，最终得出了正确谜底。这种"世东谈主拾柴火焰高"的表象，在东谈主类解题中推而广之。好意思团LongCat团队的筹商者们就在想：能不成让AI也用相似的神态来措置复杂问题？

这篇论文提议的中枢想法叫作念HEAVYSKILL，汉文不错相识为"重度念念考手段"。它的践诺很简便：与其让AI只念念考一次就给出谜底，不如让AI同期启动多个独处的念念维分支，各自解题，然后再由一个"追想者"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，古道把吞并谈难题交给多个学习小组独处解答，然后召集扫数小组报告收尾，临了由古道空洞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，但筹商团队作念的事远不啻"想出这个点子"这样简便。他们系统地筹商了这种神态到底有多灵验、在哪些情况下最管用、怎样把它变成AI不错径直调用的"手段"，还探索了能否通过强化学习进一步强化这种智力。接下来就一步步拆解这项筹商。

二、AI智能助手背后的"指示中心"是何如责任的？

在相识HEAVYSKILL之前，有必要先了解一下当代AI助手的责任神态。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"总指示"（称为编排器或谐和者），底下管着很多挑升的"小分队"（子代理），各高兴责不同任务，还配有"档案室"（挂牵组件）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。这些系统之是以玩忽处理复杂任务，是因为总指示不错天真调配各个小分队协同责任。可是，筹商团队发现了一个重要问题：这些系统的优秀进展，到底是因为精妙的架构运筹帷幄，照旧因为AI模子自己的推理智力在阐扬作用？

筹商团队通过仔细不雅察发现，不管架构何等复杂，这些系统的中枢责任模式其实都不错归纳为两个关节：先是让多个子代理"并行念念考"（各自独处分析吞并个问题），然后再由总指示"汇总归纳"（空洞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关节的不同包装神态。

这一发现让筹商团队产生了一个斗胆的想法：既然中枢境制就是"并行念念考加汇总"，何不把这个智力径直内化到AI模子自己，让模子无需复杂的外部架构就能我方实施这套经过？这恰是HEAVYSKILL的立论基础。

三、HEAVYSKILL的责任旨趣：一场有组织的头脑风暴

HEAVYSKILL的责任经过不错拆分为两个默契的阶段，像勉力于赛一样前后衔尾。

第一阶段叫作念"并行推理"。给定一谈题目，系统会同期启动K个独处的推理者（K往往设为8或16），每个推理者全都不知谈其他推理者在想什么，各自从零运行解题。这种互相进军相等首要——恰是因为每个推理者的念念路全都独处，智力产生真实万般化的解题旅途。有东谈主可能用代数方法，有东谈主用几何方法，有东谈主倾向于暴力穷举，有东谈主则寻求爽脆的优雅解法。万般化的念念路意味着更大的概率遮蔽到正确谜底。

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"挂牵缓存"，也就是一份按设施成列的念念路汇总文档。由于每个推理者的念念考过程时常相等冗长，径直把全部内容放进去会超出AI的处理上限，是以系统会对每条念念路进行适合编著，而且打乱设施成列，扎眼AI对某个特定位置的谜底产生偏向。

第二阶段叫作念"设施审议"。另一个AI演出"追想者"的变装，拿到这份汇总文档后，不是简便地数哪个谜底出现次数最多就接收哪个，而是进行真实的批判性分析。追想者会比拟各个推理者念念路的各异，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，独处再行推导出正确谜底。

此外，筹商团队还运筹帷幄了一个可选的"迭代审议"机制。在第二阶段产生追想收尾后，这个追想不错被再行放回挂牵缓存，行为一个额外的"大家推理者"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、把责任经过变成一张"讲明书"：AI读懂就能实施

这套经过不仅不错通过外部代码来驱动，筹商团队还将其提取成了一份AI不错径直阅读和实施的"手段文献"——HEAVYSKILL.md。

这份文献践诺上是一份用当然语言写成的操作圭表，就像给新职工入职时发的责任手册。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：迎靠近竞赛数学、复杂逻辑推理、算法编程等高难度问题时，应当激活；关于简便的信息查询或日常聊天，则不消启动，幸免徒然揣度资源。

文献的第二部分形貌了怎样生成并行推理：系统应该同期启动3到5个（在齐全责任流模式下可达8个以上）互相独处的推理代理，每个代理必须从新运行解题，不得参考其他代理的责任。文献还饱读动不同代理遴荐不同的解题战略，以最大化万般性。

文献的第三部分包含了审议阶段的中枢教唆：追想者必须明确分歧哪些推理链条是逻辑严实的，哪些存在过错；多数东谈主的想法是参考信号，但绝非正确的保证；少数派的正确推理值得肃肃对待；要是扫数推理者都错了，追想者有包袱独处再行推导谜底。

文献的第四部分章程了输出形状：最终给用户的仅仅谜底自己，不需要展示统统分析元过程；数学题用圭表的方框形状，编程题用代码块，以保捏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，不错被插入任何相沿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。筹商团队已考证，吞并份HEAVYSKILL.md文献在ClaudeCode和自界说编排框架中均可正常运行。

五、真实的试验：让AI去解竞赛数学题和编程难题

筹商团队为HEAVYSKILL安排了一系列严苛的试验，遮蔽了理工科、编程和通用推理多个办法。

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（罕见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（筹商生级别物理、化学、生物空洞题目）。这些题目对东谈主类来说也特地有挑战性，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7亿到超大限制参数的不同体量。

为了掂量恶果，筹商团队运筹帷幄了五种评价办法，变成了一套齐全的测量体系。Mean@K掂量的是K次并行推理的平均准确率，反应基础水平。Pass@K掂量的是K次推理中至少有一次正确的比例，代表模子的"智力天花板"。Vote@K则是传统多数投票法的准确率，特地于刻下常用的"最好K选N"战略（Best-of-N）。在HEAVYSKILL框架下，还有两个新办法：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）是审议后收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份追想内容。

六、数据语言：HEAVYSKILL到底有多强？

测试收尾组成了一幅默契的图景，举座限定特地结实。

在理工科任务上，HEAVYSKILL展现出全面且妥当的上风。以DeepSeekR1-0528模子在HMMT25-Feb上的进展为例：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"智力天花板"Pass@8的93.3%。访佛的提高幅度在简直扫数模子和扫数理工科测试集上都能不雅察到。

筹商团队追想出了一个连合扫数实验的限定：Heavy-Pass@K≥Heavy-Mean@K≥Vote@K≥Mean@K。这个档次关联讲明，HEAVYSKILL不仅让平均进展优于传统投票方法，致使在"后劲天花板"层面也罕见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，米兰体育app2026世界杯(中国)官方下载恶果更为显赫。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惟一70.1%。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%，相似迫临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露出来。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对强模子来说依然接近富足，反而看不出多大辞别。

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（指示解雇）这类有明确正确谜底的任务上，提高依然显赫。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%提高到69.3%，简直翻了一倍。可是在Arena-Hard（东谈主类偏好对话）这类主不雅性任务上，提高幅度就特地有限，有时致使略有下落。这讲明审议机制在"追求正确性"的任务上恶果隆起，但在"追求立场偏好"的任务上或然占优。

七、深挖：是哪些关节真实决定了成败？

除了举座测试，筹商团队还作念了一系列拆解实验，试图弄明晰HEAVYSKILL各个部分的具体孝顺。

第一个实验筹商了审议阶段能否改良并行推理阶段的虚假。筹商者用R1-Distill-Qwen-7B模子，对1万谈题各自生成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。收尾骄傲，即使关于那些并行通过率低于50%的"艰巨题目"，审议阶段依然玩忽改良特地一部分虚假——大致有500谈正本多数推理者都答错的题目，经过审议后被凯旋改良。而关于并行通过率依然高出50%的题目，审议阶段的凯旋率高出98%，少量出现反向衰弱。

第二个实验筹商了审议阶段用什么模子最合适。筹商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：相似是R1-Distill-Qwen-7B、更新的R1-Distill-Qwen3-8B，以及Qwen2.5-32B-Instruct。收尾颇为出东谈主意象：即即是Qwen2.5-32B-Instruct这个模子在独处解题时的进展比R1-Distill-Qwen-7B还要差（其在AIME25上的独处准确率惟一12.8%），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提高。这讲明审议阶段考验的不是"会不会我方解题"，而是"能不成空洞分析多条推理旅途"——这是一种不同类型的智力，更偏向于批判性阅读和空洞判断。

第三个实验筹商了迭代次数对恶果的影响。筹商者将迭代次数从1轮膨胀到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。收尾骄傲，跟着迭代次数加多，HM@K（平均准确率）呈现结实的上涨趋势，讲明多轮迭代照实有助于进一步提高举座进展。可是HP@K（最高后劲办法）却随迭代次数加多而有所下落，讲明多轮迭代在提高平均进展的同期，可能也引入了来自前几轮的信息热闹，限定了模子在少数情况下阐扬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。

第四个实验筹商了怎样从大都并行推理中及第哪K条进行审议。筹商者对每谈题生成256条推理旅途，然后比拟四种及第战略。就地及第是基准；最大万般性战略弃取各异最大的K条；最大长度战略弃取最长的K条；最高频率战略弃取包含最高频率谜底的K条（即多数投票优先）。收尾发现，最大长度战略进展最差，讲明推理越长或然越对；最大万般性战略与就地及第恶果附进，讲明刻意追求万般性的边缘收益有限；最高频率战略进展最好，讲明先用多数投票筛选出的确度较高的推理旅途，再交给审议阶段雅致，是更理智的组合战略。

第五个实验将HEAVYSKILL膨胀到需要调用外部器具的场景。筹商者让模子在解题过程中不错调用Python解释器赢得运算收尾，每次与解释器的交互最多50轮。测试收尾骄傲，在AIME25和HMMT25上，HM@4依然全面高出传统投票方法，讲明HEAVYSKILL的中枢境制在器具援助场景下相似灵验。

八、用强化学习不时"雕塑"这项手段

除了以上已有智力的测试，筹商团队还探索了一个更前沿的问题：能不成通过磨真金不怕火让AI把这种"重度念念考"的智力变得更强？

具体决策是，把并行推理加审议的齐全过程打包成磨真金不怕火数据，用可考证奖励强化学习（RLVR）来优化模子。磨真金不怕火框架遴荐VeRL，强化学习算法遴荐GSPO。磨真金不怕火对象是R1-Distill-Qwen-7B，磨真金不怕火数据挑升及第了那些"并行通过率在0到62.5%之间"的艰巨题目，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均呈现结实的上涨趋势，最终提高幅度约为10个百分点。可是两种竖立的进展出现了不合：K=16的竖立在高出100步后出现了较着的熵坍塌表象，磨真金不怕火变得不结实；而K=8的竖立在统统磨真金不怕火过程中保捏了相对结实的趋势。筹商团队判断，K=16时产生的序列化挂牵缓存过长，超出了R1-Distill-Qwen-7B模子的灵验处理领域，导致磨真金不怕火信号质地下落。

这些初步收尾标明，RLVR照实能在一定进程上提高HEAVYSKILL的恶果，但如安在更大的并行限制下督察磨真金不怕火结实性，还需要进一步的筹商来措置。

说到底，这项筹商作念的事情是把一个听起来很复杂的"多智能体配合系统"收复成了它的践诺：AI同期用多种念念路解题，然后由一个批判性的追想者筛选出最好谜底。这套机制被提取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运筹帷幄。通过遮蔽十余个模子、多个难度层级测试集的系统实验，筹商团队讲明注解了这种神态在理工科推理和代码竞赛任务上的结实灵验性，尤其是关于强模子，进展玩忽接近表面上限。关于往时用户而言，这意味着异日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筹商者而言，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，仍然是一个值得深刻探索的洞开问题。有酷好进一步了解技巧细节的读者，不错通过arXiv编号2605.02396查阅齐全论文，对应的代码也已开源。

Q&A

Q1：HEAVYSKILL和往时多数投票（Best-of-N）有什么践诺区别？

A：往时多数投票仅仅数哪个谜底出现次数最多就接收哪个，践诺上是一种统计方法，无法识别逻辑对错。HEAVYSKILL的审议阶段则会真实分析每条推理旅途的逻辑严实性，玩忽识别"少数正确派"，致使在扫数推理者都犯错时独处推导出新谜底。实验数据骄傲，HEAVYSKILL在艰巨题目上长期优于多数投票，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恶果最好？

A：HEAVYSKILL在有明确正确谜底、不错被客不雅考证的任务上恶果最显赫，比如竞赛数学题、科学揣度题、算法编程题和指示解雇任务。关于主不雅性强、以东谈主类偏好为评判圭表的任务（如洞开式对话），提高幅度则相对有限，有时致使略有下落。简便来说，越"有圭表谜底"的任务，HEAVYSKILL的上风越较着。

Q3：审议阶段使用智力弱一丝的模子会不会影响恶果？

A：不一定会。筹商实验发现，即使用独处解题智力较弱的模子行为审议者米兰体育app，也能产生灵验的性能提高。这是因为审议阶段需要的中枢智力是"空洞分析和批判性判断"，而不是"独处解题"。换句话说，一个不擅长我方解数学题但善于评估别东谈主解题过程逻辑性的模子，相似不错胜任审议责任。

吉祥访中国体育手机官网