这项由好意思团LongCat团队与北京大学软件工程国度工程探究中心都集开展的探究，以预印本方式于2026年5月4日发布，论文编号为arXiv:2605.02396v1，有好奇钦慕好奇钦慕深切了解的读者可通过该编号查询完好论文。

一、当一个AI大脑不够用，为什么不让它"开小组照料"？

你有莫得遭逢过这种情况：一说念难题我方想了半天没端倪，但和几个一又友通盘照料，群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"的表象，在东说念主类解题中雨后春笋。好意思团LongCat团队的探究者们就在想：能不行让AI也用相似的方式来措置复杂问题？

这篇论文建议的中枢想法叫作念HEAVYSKILL，汉文不错闪现为"重度念念考技巧"。它的本色很粗浅：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"回来者"把通盘念念路汇总，判断哪个正确，最终给出谜底。就像一个班级里，诚挚把团结说念难题交给多个学习小组孤独解答，然后召集通盘小组讨教末端，临了由诚挚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，但探究团队作念的事远不啻"想出这个点子"这样粗浅。他们系统地探究了这种方式到底有多灵验、在哪些情况下最管用、如何把它变成AI不错径直调用的"技巧"，还探索了能否通过强化学习进一步强化这种技艺。接下来就一步步拆解这项探究。

二、AI智能助手背后的"指导中心"是怎么使命的？

在闪现HEAVYSKILL之前，有必要先了解一下当代AI助手的使命方式。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"总指导"（称为编排器或谐和者），底下管着好多有益的"小分队"（子代理），各喜跃责不同任务，还配有"档案室"（记念组件）和"用具库"（技巧组件）。

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，是因为总指导不错活泼调配各个小分队协同使命。关系词，探究团队发现了一个要害问题：这些系统的优秀阐发，到底是因为精妙的架构瞎想，如故因为AI模子自己的推理技艺在施展作用？

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

这一发现让探究团队产生了一个斗胆的想法：既然核神思制就是"并行念念考加汇总"，何不把这个技艺径直内化到AI模子自己，让模子无需复杂的外部架构就能我方扩张这套进程？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的使命进程不错拆分为两个知晓的阶段，像致力于于赛一样前后衔尾。

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不绝设为8或16），每个推理者全都不知说念其他推理者在想什么，各自从零驱动解题。这种相互侵扰相等远程——恰是因为每个推理者的念念路全都孤独，技艺产生确切千般化的解题旅途。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，有东说念主则寻求爽脆的优雅解法。千般化的念念路意味着更大的概率隐秘到正确谜底。

通盘推理者完成解题后，他们的念念考过程会被整理成一个"记念缓存"，也就是一份按依次摆设的念念路汇总文档。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合乎剪辑，况且打乱依次摆设，妥贴AI对某个特定位置的谜底产生偏向。

第二阶段叫作念"依次审议"。另一个AI演出"回来者"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遴选哪个，而是进行确切的批判性分析。回来者会比拟各个推理者念念路的各别，找出逻辑纰缪，判断哪个推理链条最为严实，致使在发现通盘推理者都错了的情况下，孤独再行推导出正确谜底。

此外，探究团队还瞎想了一个可选的"迭代审议"机制。在第二阶段产生回来末端后，这个回来不错被再行放回记念缓存，看成一个特等的"巨匠推理者"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、把使命进程变成一张"阐述书"：AI读懂就能扩张

这套进程不仅不错通过外部代码来驱动，探究团队还将其索取成了一份AI不错径直阅读和扩张的"技巧文献"——HEAVYSKILL.md。

这份文献本色上是一份用当然语言写成的操作方法，就像给新职工入职时发的使命手册。文献的第一部分明确规则了什么情况下应该启用这套进程：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，幸免花消计算资源。

文献的第二部分面容了如何生成并行推理：系统应该同期启动3到5个（在完好使命流模式下可达8个以上）相互孤独的推理代理，2026世界杯中国压球官网每个代理必须从新驱动解题，不得参考其他代理的使命。文献还饱读吹不同代理遴选不同的解题计策，以最大化千般性。

文献的第三部分包含了审议阶段的中枢领导：回来者必须明确隔离哪些推理链条是逻辑严实的，哪些存在劣势；多数东说念主的主见是参考信号，但绝非正确的保证；少数派的正确推理值得致密对待；如若通盘推理者都错了，回来者有连累孤独再行推导谜底。

文献的第四部分规则了输出方式：最终给用户的仅仅谜底自己，不需要展示整个分析元过程；数学题用圭臬的方框方式，编程题用代码块，以保抓与用户盼愿的一致性。

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技巧加载和子代理调用的AI编排框架中，无需修改任何代码。探究团队已考据，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、确切的锤真金不怕火：让AI去解竞赛数学题和编程难题

探究团队为HEAVYSKILL安排了一系列严苛的锤真金不怕火，隐秘了理工科、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（突出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（探究生级别物理、化学、生物详细题目）。这些题目对东说念主类来说也格外有挑战性，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7亿到超大限制参数的不同体量。

为了猜测末端，探究团队瞎想了五种评价主义，酿成了一套完好的测量体系。Mean@K猜测的是K次并行推理的平均准确率，反应基础水平。Pass@K猜测的是K次推理中至少有一次正确的比例，代表模子的"技艺天花板"。Vote@K则是传统多数投票法的准确率，格外于刻下常用的"最好K选N"计策（Best-of-N）。在HEAVYSKILL框架下，还有两个新主义：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）是审议后末端中至少一次正确的比例。

实践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份回来内容。

六、数据话语：HEAVYSKILL到底有多强？

测试末端组成了一幅知晓的图景，举座法例格外牢固。

在理工科任务上，HEAVYSKILL展现出全面且妥贴的上风。以DeepSeekR1-0528模子在HMMT25-Feb上的阐发为例：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"技艺天花板"Pass@8的93.3%。肖似的进步幅度在简直通盘模子和通盘理工科测试集上都能不雅察到。

探究团队回来出了一个趋奉通盘实践的法例：Heavy-Pass@K≥Heavy-Mean@K≥Vote@K≥Mean@K。这个条理关系阐述，HEAVYSKILL不仅让平均阐发优于传统投票方法，致使在"后劲天花板"层面也突出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，真钱三公2026世界杯(中国)IOS/安卓官方下载末端更为权贵。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只须70.1%。KimiK2Thinking在AIME25上，K=8时HM@4径直达到100%，与Pass@8的上限都平。GLM4.6在HMMT25-Feb上，K=16时HM@4达到99.2%，相似靠近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知晓地暴显现来。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上更为彰着——恰是因为AIME25对强模子来说一经接近有余，反而看不出多大诀别。

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（指示死守）这类有明确正确谜底的任务上，进步依然权贵。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%进步到69.3%，简直翻了一倍。关系词在Arena-Hard（东说念主类偏好对话）这类主不雅性任务上，进步幅度就格外有限，有时致使略有着落。这阐述审议机制在"追求正确性"的任务上末端杰出，但在"追求作风偏好"的任务上随机占优。

七、深挖：是哪些要津确切决定了成败？

除了举座测试，探究团队还作念了一系列拆解实践，试图弄知晓HEAVYSKILL各个部分的具体孝顺。

第一个实践探究了审议阶段能否立异并行推理阶段的失误。探究者用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。末端自大，即使关于那些并行通过率低于50%的"困难题目"，审议阶段依然梗概立异格外一部分失误——大致有500说念正本多数推理者都答错的题目，经过审议后被告捷立异。而关于并行通过率一经越过50%的题目，审议阶段的告捷率越过98%，少量出现反向铩羽。

第二个实践探究了审议阶段用什么模子最合适。探究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。末端颇为出东说念主意料：即就是Qwen2.5-32B-Instruct这个模子在孤独解题时的阐发比R1-Distill-Qwen-7B还要差（其在AIME25上的孤独准确率只须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。这阐述审议阶段考验的不是"会不会我方解题"，而是"能不行详细分析多条推理旅途"——这是一种不同类型的技艺，更偏向于批判性阅读和详细判断。

第三个实践探究了迭代次数对末端的影响。探究者将迭代次数从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。末端自大，跟着迭代次数加多，HM@K（平均准确率）呈现牢固的上涨趋势，阐述多轮迭代照实有助于进一步进步举座阐发。关系词HP@K（最高后劲主义）却随迭代次数加多而有所着落，阐述多轮迭代在进步平均阐发的同期，可能也引入了来自前几轮的信息插手，截至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。

第四个实践探究了如何从多数并行推理中中式哪K条进行审议。探究者对每说念题生成256条推理旅途，然后比拟四种中式计策。就地中式是基准；最大千般性计策取舍各别最大的K条；最大长度计策取舍最长的K条；最高频率计策取舍包含最高频率谜底的K条（即多数投票优先）。末端发现，最大长度计策阐发最差，阐述推理越长随机越对；最大千般性计策与就地中式末端周边，阐述刻意追求千般性的角落收益有限；最高频率计策阐发最好，阐述先用多数投票筛选出的确度较高的推理旅途，再交给审议阶段高超，是更聪慧的组系数策。

第五个实践将HEAVYSKILL扩展到需要调用外部用具的场景。探究者让模子在解题过程中不错调用Python解释器赢得运算末端，每次与解释器的交互最多50轮。测试末端自大，在AIME25和HMMT25上，HM@4依然全面越过传统投票方法，阐述HEAVYSKILL的核神思制在用具扶植场景下相似灵验。

八、用强化学习络续"砥砺"这项技巧

除了以上已有技艺的测试，探究团队还探索了一个更前沿的问题：能不行通过教师让AI把这种"重度念念考"的技艺变得更强？

具体决策是，把并行推理加审议的完好过程打包成教师数据，用可考据奖励强化学习（RLVR）来优化模子。教师框架遴选VeRL，强化学习算法遴选GSPO。教师对象是R1-Distill-Qwen-7B，教师数据有益中式了那些"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=16两种并行建设进行教师。

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均呈现牢固的上涨趋势，最终进步幅度约为10个百分点。关系词两种建设的阐发出现了不对：K=16的建设在越过100步后出现了彰着的熵坍塌表象，教师变得不牢固；而K=8的建设在整个教师过程中保抓了相对牢固的趋势。探究团队判断，K=16时产生的序列化记念缓存过长，超出了R1-Distill-Qwen-7B模子的灵验处理领域，导致教师信号质料着落。

这些初步末端标明，RLVR照实能在一定进度上进步HEAVYSKILL的末端，但如安在更大的并行限制下保管教师牢固性，还需要进一步的探究来措置。

说到底，这项探究作念的事情是把一个听起来很复杂的"多智能体配合系统"规复成了它的本色：AI同期用多种念念路解题，然后由一个批判性的回来者筛选出最好谜底。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技巧文献，不依赖于任何特定的系统瞎想。通过隐秘十余个模子、多个难度层级测试集的系统实践，探究团队评释了这种方式在理工科推理和代码竞赛任务上的牢固灵验性，尤其是关于强模子，阐发梗概接近表面上限。关于过去用户而言，这意味着翌日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探究者而言，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技巧刻入模子自己，仍然是一个值得深切探索的绽开问题。有好奇钦慕好奇钦慕进一步了解工夫细节的读者，不错通过arXiv编号2605.02396查阅完好论文，对应的代码也已开源。

Q&A

Q1：HEAVYSKILL和过去多数投票（Best-of-N）有什么本色区别？

A：过去多数投票仅仅数哪个谜底出现次数最多就遴选哪个，本色上是一种统计方法，无法识别逻辑对错。HEAVYSKILL的审议阶段则会确切分析每条推理旅途的逻辑严实性，梗概识别"少数正确派"，致使在通盘推理者都犯错时孤独推导出新谜底。实践数据自大，HEAVYSKILL在困难题目上长久优于多数投票，差距在高难度测试集上尤为杰出。

Q2：HEAVYSKILL在什么类型的任务上末端最好？

A：HEAVYSKILL在有明确正确谜底、不错被客不雅考据的任务上末端最权贵，比如竞赛数学题、科学计算题、算法编程题和指示死守任务。关于主不雅性强、以东说念主类偏好为评判圭臬的任务（如绽开式对话），进步幅度则相对有限，有时致使略有着落。粗浅来说，越"有圭臬谜底"的任务，HEAVYSKILL的上风越彰着。

Q3：审议阶段使用技艺弱一丝的模子会不会影响末端？

A：不一定会。探究实践发现真钱三公2026世界杯(中国)IOS/安卓官方下载，即使用孤独解题技艺较弱的模子看成审议者，也能产生灵验的性能进步。这是因为审议阶段需要的中枢技艺是"详细分析和批判性判断"，而不是"孤独解题"。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，相似不错胜任审议使命。

NBA下注(中国)官网入口