这项由好意思团LongCat团队与北京大学软件工程国度工程计划中心统一开展的计划，以预印实质式于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完好论文。

一、当一个AI大脑不够用，为什么不让它"开小组谈判"？

你有莫得遭遇过这种情况：一说念难题我方想了半天没眉目，但和几个一又友一齐谈判，环球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"的茂盛，在东说念主类解题中层出不穷。好意思团LongCat团队的计划者们就在想：能弗成让AI也用一样的形状来处治复杂问题？

这篇论文提倡的中枢想法叫作念HEAVYSKILL，汉文不错运动为"重度念念考手段"。它的履行很粗浅：与其让AI只念念考一次就给出谜底，不如让AI同期启动多个零丁的念念维分支，各自解题，然后再由一个"回来者"把统共念念路汇总，判断哪个正确，最终给出谜底。就像一个班级里，敦厚把磨灭说念难题交给多个学习小组零丁解答，然后召集统共小组陈说驱散，终末由敦厚概述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，但计划团队作念的事远不啻"想出这个点子"这样粗浅。他们系统地计划了这种形状到底有多有用、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才略。接下来就一步步拆解这项计划。

二、AI智能助手背后的"引导中心"是奈何使命的？

在运动HEAVYSKILL之前，有必要先了解一下当代AI助手的使命形状。当今主流的AI系统频频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"总引导"（称为编排器或调和者），底下管着很多挑升的"小分队"（子代理），各自诩责不同任务，还配有"档案室"（追想组件）和"用具库"（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。这些系统之是以随机处理复杂任务，是因为总引导不错纯真调配各个小分队协同使命。但是，计划团队发现了一个关键问题：这些系统的优秀阐扬，到底是因为精妙的架构设想，如故因为AI模子自身的推理才略在阐述作用？

计划团队通过仔细不雅察发现，无论架构何等复杂，这些系统的中枢使命模式其实都不错归纳为两个法子：先是让多个子代理"并行念念考"（各自零丁分析磨灭个问题），然后再由总引导"汇总归纳"（概述统共分析得出最终谜底）。换句话说，花哨的系统架构其实仅仅这两个法子的不同包装形状。

这一发现让计划团队产生了一个果敢的想法：既然核神思制就是"并行念念考加汇总"，何不把这个才略径直内化到AI模子自身，让模子无需复杂的外部架构就能我方实行这套历程？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的使命历程不错拆分为两个廓清的阶段，像发奋于赛一样前后衔尾。

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个零丁的推理者（K频繁设为8或16），每个推理者透澈不知说念其他推理者在想什么，各自从零启动解题。这种相互拆开终点繁难——恰是因为每个推理者的念念路透澈零丁，才能产生真实千般化的解题旅途。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，有东说念主则寻求讲理的优雅解法。千般化的念念路意味着更大的概率遮蔽到正确谜底。

统共推理者完成解题后，他们的念念考过程会被整理成一个"追想缓存"，也就是一份按活动摆设的念念路汇总文档。由于每个推理者的念念考过程频频终点冗长，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顺应剪辑，况兼打乱活动摆设，驻扎AI对某个特定位置的谜底产生偏向。

第二阶段叫作念"活动审议"。另一个AI饰演"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采纳哪个，而是进行真实的批判性分析。回来者会比拟各个推理者念念路的相反，找出逻辑破绽，判断哪个推理链条最为严实，甚而在发现统共推理者都错了的情况下，零丁从新推导出正确谜底。

此外，计划团队还设想了一个可选的"迭代审议"机制。在第二阶段产生回来驱散后，这个回来不错被从新放回追想缓存，四肢一个特别的"众人推理者"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、把使命历程变成一张"阐述书"：AI读懂就能实行

这套历程不仅不错通过外部代码来驱动，计划团队还将其索求成了一份AI不错径直阅读和实行的"手段文献"——HEAVYSKILL.md。

这份文献履行上是一份用当然语言写成的操作规范，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历程：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；关于粗浅的信息查询或日常聊天，则不消启动，幸免花消蓄意资源。

文献的第二部分描摹了怎样生成并行推理：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）相互零丁的推理代理，2026世界杯赛事竞猜中国官网每个代理必须从新启动解题，不得参考其他代理的使命。文献还饱读舞不同代理取舍不同的解题战术，以最大化千般性。

文献的第三部分包含了审议阶段的中枢辅导：回来者必须明确分散哪些推理链条是逻辑严实的，哪些存在颓势；多数东说念主的观念是参考信号，但绝非正确的保证；少数派的正确推理值得老成对待；要是统共推理者都错了，回来者有拖累零丁从新推导谜底。

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身，不需要展示统共这个词分析元过程；数学题用规范的方框情势，编程题用代码块，以保抓与用户渴望的一致性。

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，不错被插入任何搭救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。计划团队已考据，磨灭份HEAVYSKILL.md文献在ClaudeCode和自界说编排框架中均可泛泛运行。

五、真实的进修：让AI去解竞赛数学题和编程难题

计划团队为HEAVYSKILL安排了一系列严苛的进修，遮蔽了理工科、编程和通用推理多个所在。

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（计划生级别物理、化学、生物概述题目）。这些题目对东说念主类来说也相当有挑战性，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7亿到超大界限参数的不同体量。

为了斟酌后果，计划团队设想了五种评价主义，酿成了一套完好的测量体系。Mean@K斟酌的是K次并行推理的平均准确率，反馈基础水平。Pass@K斟酌的是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，相当于刻下常用的"最好K选N"战术（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）是审议后驱散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份回来内容。

六、数据话语：HEAVYSKILL到底有多强？

测试驱散组成了一幅廓清的图景，合座法规相当清静。

在理工科任务上，HEAVYSKILL展现出全面且适当的上风。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"才略天花板"Pass@8的93.3%。访佛的擢升幅度在险些统共模子和统共理工科测试集上都能不雅察到。

计划团队回来出了一个纠合统共实验的法规：Heavy-Pass@K≥Heavy-Mean@K≥Vote@K≥Mean@K。这个档次计划阐述，HEAVYSKILL不仅让平均阐扬优于传统投票方法，甚而在"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，开云官方app下载后果更为显赫。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独一70.1%。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%，一样靠拢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败露来。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对强模子来说依然接近鼓胀，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，擢升依然显赫。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%擢升到69.3%，险些翻了一倍。但是在Arena-Hard（东说念主类偏好对话）这类主不雅性任务上，擢升幅度就相当有限，有时甚而略有下落。这阐述审议机制在"追求正确性"的任务上后果杰出，但在"追求作风偏好"的任务上未必占优。

七、深挖：是哪些关键真实决定了成败？

除了合座测试，计划团队还作念了一系列拆解实验，试图弄了了HEAVYSKILL各个部分的具体孝顺。

第一个实验计划了审议阶段能否改造并行推理阶段的颠倒。计划者用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。驱散骄贵，即使关于那些并行通过率低于50%的"困难题目"，审议阶段依然随机改造相当一部分颠倒——大致有500说念底本多数推理者都答错的题目，经过审议后被得胜改造。而关于并行通过率依然向上50%的题目，审议阶段的得胜率向上98%，少量出现反向零落。

第二个实验计划了审议阶段用什么模子最合适。计划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：一样是R1-Distill-Qwen-7B、更新的R1-Distill-Qwen3-8B，以及Qwen2.5-32B-Instruct。驱散颇为出东说念主料想：即即是Qwen2.5-32B-Instruct这个模子在零丁解题时的阐扬比R1-Distill-Qwen-7B还要差（其在AIME25上的零丁准确率独一12.8%），但当它被用作第二阶段的审议者时，依然能产生有用的性能擢升。这阐述审议阶段考验的不是"会不会我方解题"，而是"能弗成概述分析多条推理旅途"——这是一种不同类型的才略，更偏向于批判性阅读和概述判断。

第三个实验计划了迭代次数对后果的影响。计划者将迭代次数从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。驱散骄贵，跟着迭代次数加多，HM@K（平均准确率）呈现清静的高潮趋势，阐述多轮迭代确乎有助于进一步擢升合座阐扬。但是HP@K（最高后劲主义）却随迭代次数加多而有所下落，阐述多轮迭代在擢升平均阐扬的同期，可能也引入了来自前几轮的信息侵略，限定了模子在少数情况下阐述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。

第四个实验计划了怎样从大都并行推理中登科哪K条进行审议。计划者对每说念题生成256条推理旅途，然后比拟四种登科战术。当场登科是基准；最大千般性战术取舍相反最大的K条；最大长度战术取舍最长的K条；最高频率战术取舍包含最高频率谜底的K条（即多数投票优先）。驱清闲现，最大长度战术阐扬最差，阐述推理越长未必越对；最大千般性战术与当场登科后果周边，阐述刻意追求千般性的边缘收益有限；最高频率战术阐扬最好，阐述先用多数投票筛选出确实度较高的推理旅途，再交给审议阶段精熟，是更聪慧的组合战术。

第五个实验将HEAVYSKILL膨胀到需要调用外部用具的场景。计划者让模子在解题过程中不错调用Python解释器得回运算驱散，每次与解释器的交互最多50轮。测试驱散骄贵，在AIME25和HMMT25上，HM@4依然全面向上传统投票方法，阐述HEAVYSKILL的核神思制在用具扶持场景下一样有用。

八、用强化学习持续"雕饰"这项手段

除了以上已有才略的测试，计划团队还探索了一个更前沿的问题：能弗成通过西宾让AI把这种"重度念念考"的才略变得更强？

具体有计算是，把并行推理加审议的完好过程打包成西宾数据，用可考据奖励强化学习（RLVR）来优化模子。西宾框架取舍VeRL，强化学习算法取舍GSPO。西宾对象是R1-Distill-Qwen-7B，西宾数据挑升登科了那些"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=16两种并行建树进行西宾。

从西宾过程的图表来看，在前100步内，模子在西宾集和测试集上的HM@4均呈现清静的高潮趋势，最终擢升幅度约为10个百分点。但是两种建树的阐扬出现了不对：K=16的建树在向上100步后出现了彰着的熵垮塌茂盛，西宾变得不清静；而K=8的建树在统共这个词西宾过程中保抓了相对清静的趋势。计划团队判断，K=16时产生的序列化追想缓存过长，超出了R1-Distill-Qwen-7B模子的有用处理界限，导致西宾信号质地下落。

这些初步驱散标明，RLVR确乎能在一定进程上擢升HEAVYSKILL的后果，但如安在更大的并行界限下保管西宾清静性，还需要进一步的计划来处治。

说到底，这项计划作念的事情是把一个听起来很复杂的"多智能体互助系统"规复成了它的履行：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。这套机制被索求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设想。通过遮蔽十余个模子、多个难度层级测试集的系统实验，计划团队讲明了这种形状在理工科推理和代码竞赛任务上的清静有用性，尤其是关于强模子，阐扬随机接近表面上限。关于庸碌用户而言，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预计。关于AI计划者而言，如安在不加多系统架构复杂度的前提下，进一步通过西宾把这种手段刻入模子自身，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查阅完好论文，对应的代码也已开源。

Q&A

Q1：HEAVYSKILL和庸碌多数投票（Best-of-N）有什么履行区别？

A：庸碌多数投票仅仅数哪个谜底出现次数最多就采纳哪个，履行上是一种统计方法，无法识别逻辑对错。HEAVYSKILL的审议阶段则会真实分析每条推理旅途的逻辑严实性，随机识别"少数正确派"，甚而在统共推理者都犯错时零丁推导出新谜底。实验数据骄贵，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杰出。

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显赫，比如竞赛数学题、科学蓄意题、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规范的任务（如洞开式对话），擢升幅度则相对有限，有时甚而略有下落。粗浅来说，越"有规范谜底"的任务，HEAVYSKILL的上风越彰着。

Q3：审议阶段使用才略弱一丝的模子会不会影响后果？

A：不一定会。计划实验发现，即使用零丁解题才略较弱的模子四肢审议者，也能产生有用的性能擢升。这是因为审议阶段需要的中枢才略是"概述分析和批判性判断"，而不是"零丁解题"。换句话说开云官方app下载，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，一样不错胜任审议使命。

开云kaiyun中国官网入口