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统一开展的商量，以预印本时势于2026年5月4日发布，论文编号为arXiv:2605.02396v1，有敬爱长远了解的读者可通过该编号查询无缺论文。

一、当一个AI大脑不够用，为什么不让它"开小组商量"？

你有莫得遭遇过这种情况：一谈难题我方想了半天没条理，但和几个一又友沿路商量，群众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，在东谈主类解题中层见叠出。好意思团LongCat团队的商量者们就在想：能不可让AI也用一样的神志来处分复杂问题？

这篇论文建议的中枢想法叫作念HEAVYSKILL，华文不错通晓为"重度念念考手段"。它的骨子很浮浅：与其让AI只念念考一次就给出谜底，不如让AI同期启动多个孤苦的念念维分支，各自解题，然后再由一个"转头者"把总共念念路汇总，判断哪个正确，最终给出谜底。就像一个班级里，淳厚把吞并谈难题交给多个学习小组孤苦解答，然后召集总共小组陈述扫尾，临了由淳厚笼统各组的念念路作念出最巨擘的判断。

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"这样浮浅。他们系统地商量了这种神志到底有多有用、在哪些情况下最管用、若何把它变成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气。接下来就一步步拆解这项商量。

二、AI智能助手背后的"带领中心"是何如职责的？

在通晓HEAVYSKILL之前，有必要先了解一下当代AI助手的职责神志。现在主流的AI系统常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"总带领"（称为编排器或妥洽者），底下管着好多专诚的"小分队"（子代理），各自诩责不同任务，还配有"档案室"（记挂组件）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。这些系统之是以粗俗处理复杂任务，是因为总带领不错纯真调配各个小分队协同职责。有关词，商量团队发现了一个重要问题：这些系统的优秀融会，到底是因为精妙的架构设想，照旧因为AI模子本人的推理才气在融会作用？

商量团队通过仔细不雅察发现，不管架构何等复杂，这些系统的中枢职责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"（各自孤苦分析吞并个问题），然后再由总带领"汇总归纳"（笼统总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方法的不同包装神志。

这一发现让商量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"，何不把这个才气径直内化到AI模子本人，让模子无需复杂的外部架构就能我方实践这套经过？这恰是HEAVYSKILL的立论基础。

三、HEAVYSKILL的职责旨趣：一场有组织的头脑风暴

HEAVYSKILL的职责经过不错拆分为两个清亮的阶段，像勤勉赛一样前后衔尾。

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个孤苦的推理者（K频繁设为8或16），每个推理者透彻不知谈其他推理者在想什么，各自从零驱动解题。这种互相拆开相配垂危——恰是因为每个推理者的念念路透彻孤苦，才能产生信得过千般化的解题旅途。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，有东谈主则寻求纵脱的优雅解法。千般化的念念路意味着更大的概率心事到正确谜底。

总共推理者完成解题后，他们的念念考过程会被整理成一个"记挂缓存"，也就是一份按设施枚举的念念路汇总文档。由于每个推理者的念念考过程常常相配冗长，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相宜编订，何况打乱设施枚举，矜重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饰演"转头者"的变装，拿到这份汇总文档后，不是浮浅地数哪个谜底出现次数最多就领受哪个，而是进行信得过的批判性分析。转头者会相比各个推理者念念路的各异，找出逻辑纰谬，判断哪个推理链条最为严实，致使在发现总共推理者都错了的情况下，孤苦再行推导出正确谜底。

此外，商量团队还设想了一个可选的"迭代审议"机制。在第二阶段产生转头扫尾后，这个转头不错被再行放追思虑缓存，四肢一个稀奇的"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、把职责经过变成一张"阐述书"：AI读懂就能实践

这套经过不仅不错通过外部代码来驱动，商量团队还将其索求成了一份AI不错径直阅读和实践的"手段文献"——HEAVYSKILL.md。

这份文献骨子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职责手册。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；关于浮浅的信息查询或日常聊天，则不消启动，幸免倏地设想资源。

文献的第二部分面貌了若何生成并行推理：系统应该同期启动3到5个（在无缺职责流模式下可达8个以上）互相孤苦的推理代理，每个代理必须从新驱动解题，不得参考其他代理的职责。文献还饱读吹不同代理取舍不同的解题战略，以最大化千般性。

文献的第三部分包含了审议阶段的中枢教唆：转头者必须明确辩别哪些推理链条是逻辑严实的，哪些存在颓势；多数东谈主的见地是参考信号，但绝非正确的保证；少数派的正确推理值得追究对待；淌若总共推理者都错了，转头者有拖累孤苦再行推导谜底。

文献的第四部分章程了输出时势：最终给用户的仅仅谜原本人，不需要展示总共这个词分析元过程；数学题用规范的方框时势，编程题用代码块，以保合手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，不错被插入任何撑合手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，吞并份HEAVYSKILL.md文献在ClaudeCode和自界说编排框架中均可宽泛运行。

五、信得过的考验：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考验，心事了理工科、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（商量生级别物理、化学、生物笼统题目）。这些题目对东谈主类来说也异常有挑战性，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7亿到超大领域参数的不同体量。

为了有计划恶果，商量团队设想了五种评价主见，酿成了一套无缺的测量体系。Mean@K有计划的是K次并行推理的平均准确率，反应基础水平。Pass@K有计划的是K次推理中至少有一次正确的比例，代表模子的"才气天花板"。Vote@K则是传统多数投票法的准确率，异常于面前常用的"最好K选N"战略（Best-of-N）。在HEAVYSKILL框架下，还有两个新主见：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份转头内容。

六、数据话语：HEAVYSKILL到底有多强？

测试扫尾组成了一幅清亮的图景，举座执法异常雄厚。

在理工科任务上，HEAVYSKILL展现出全面且得当的上风。以DeepSeekR1-0528模子在HMMT25-Feb上的融会为例：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"才气天花板"Pass@8的93.3%。访佛的辅助幅度在简直总共模子和总共理工科测试集上都能不雅察到。

商量团队转头出了一个蚁集总共实验的执法：Heavy-Pass@K≥Heavy-Mean@K≥Vote@K≥Mean@K。这个档次干系阐述，HEAVYSKILL不仅让平均融会优于传统投票方法，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，米兰体育2026世界杯指定中国官网恶果更为显耀。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%，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清晰来。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充足，反而看不出多大离别。

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（指示顺从）这类有明确正确谜底的任务上，辅助依然显耀。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%辅助到69.3%，简直翻了一倍。有关词在Arena-Hard（东谈主类偏好对话）这类主不雅性任务上，辅助幅度就异常有限，有时致使略有着落。这阐述审议机制在"追求正确性"的任务上恶果杰出，但在"追求作风偏好"的任务上就怕占优。

七、深挖：是哪些重要信得过决定了成败？

除了举座测试，商量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。

第一个实验商量了审议阶段能否修订并行推理阶段的额外。商量者用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。扫尾高傲，即使关于那些并行通过率低于50%的"苦恼题目"，审议阶段依然粗俗修订异常一部分额外——节略有500谈原本多数推理者都答错的题目，经过审议后被班师修订。而关于并行通过率依然率先50%的题目，审议阶段的班师率率先98%，少量出现反向退让。

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：一样是R1-Distill-Qwen-7B、更新的R1-Distill-Qwen3-8B，以及Qwen2.5-32B-Instruct。扫尾颇为出东谈主预感：即即是Qwen2.5-32B-Instruct这个模子在孤苦解题时的融会比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，依然能产生有用的性能辅助。这阐述审议阶段考验的不是"会不会我方解题"，而是"能不可笼统分析多条推理旅途"——这是一种不同类型的才气，更偏向于批判性阅读和笼统判断。

第三个实验商量了迭代次数对恶果的影响。商量者将迭代次数从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。扫尾高傲，跟着迭代次数增多，HM@K（平均准确率）呈现雄厚的高涨趋势，阐述多轮迭代照实有助于进一步辅助举座融会。有关词HP@K（最高后劲主见）却随迭代次数增多而有所着落，阐述多轮迭代在辅助平均融会的同期，可能也引入了来自前几轮的信息烦嚣，松手了模子在少数情况下融会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。

第四个实验商量了若何从深广并行推理中中式哪K条进行审议。商量者对每谈题生成256条推理旅途，然后相比四种中式战略。立地中式是基准；最大千般性战略取舍各异最大的K条；最大长度战略取舍最长的K条；最高频率战略取舍包含最高频率谜底的K条（即多数投票优先）。扫尾发现，最大长度战略融会最差，阐述推理越长就怕越对；最大千般性战略与立地中式恶果左近，阐述刻意追求千般性的角落收益有限；最高频率战略融会最好，阐述先用多数投票筛选出的确度较高的推理旅途，再交给审议阶段精深，是更贤惠的组合战略。

第五个实验将HEAVYSKILL膨胀到需要调用外部器具的场景。商量者让模子在解题过程中不错调用Python解释器取得运算扫尾，每次与解释器的交互最多50轮。测试扫尾高傲，在AIME25和HMMT25上，HM@4依然全面率先传统投票方法，阐述HEAVYSKILL的核神思制在器具辅助场景下一样有用。

八、用强化学习持续"雕刻"这项手段

除了以上已有才气的测试，商量团队还探索了一个更前沿的问题：能不可通过老师让AI把这种"重度念念考"的才气变得更强？

具体有策动是，把并行推理加审议的无缺过程打包成老师数据，用可考据奖励强化学习（RLVR）来优化模子。老师框架取舍VeRL，强化学习算法取舍GSPO。老师对象是R1-Distill-Qwen-7B，老师数据专诚中式了那些"并行通过率在0到62.5%之间"的苦恼题目，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老师。

从老师过程的图表来看，在前100步内，模子在老师集和测试集上的HM@4均呈现雄厚的高涨趋势，最终辅助幅度约为10个百分点。有关词两种建树的融会出现了不对：K=16的建树在率先100步后出现了彰着的熵垮塌表象，老师变得不雄厚；而K=8的建树在总共这个词老师过程中保合手了相对雄厚的趋势。商量团队判断，K=16时产生的序列化记挂缓存过长，超出了R1-Distill-Qwen-7B模子的有用处理范围，导致老师信号质料着落。

这些初步扫尾标明，RLVR照实能在一定进程上辅助HEAVYSKILL的恶果，但如安在更大的并行领域下守护老师雄厚性，还需要进一步的商量来处分。

说到底，这项商量作念的事情是把一个听起来很复杂的"多智能体配合系统"复原成了它的骨子：AI同期用多种念念路解题，然后由一个批判性的转头者筛选出最好谜底。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。通过心事十余个模子、多个难度层级测试集的系统实验，商量团队阐述了这种神志在理工科推理和代码竞赛任务上的雄厚有用性，尤其是关于强模子，融会粗俗接近表面上限。关于世俗用户而言，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忖度。关于AI商量者而言，如安在不增多系统架构复杂度的前提下，进一步通过老师把这种手段刻入模子本人，仍然是一个值得长远探索的通达问题。有敬爱进一步了解技能细节的读者，不错通过arXiv编号2605.02396查阅无缺论文，对应的代码也已开源。

Q&A

Q1：HEAVYSKILL和世俗多数投票（Best-of-N）有什么骨子区别？

A：世俗多数投票仅仅数哪个谜底出现次数最多就领受哪个，骨子上是一种统计方法，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，粗俗识别"少数正确派"，致使在总共推理者都犯错时孤苦推导出新谜底。实验数据高傲，HEAVYSKILL在苦恼题目上经久优于多数投票，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恶果最好？

A：HEAVYSKILL在有明确正确谜底、不错被客不雅考据的任务上恶果最显耀，比如竞赛数学题、科学设想题、算法编程题和指示顺从任务。关于主不雅性强、以东谈主类偏好为评判规范的任务（如通达式对话），辅助幅度则相对有限，有时致使略有着落。浮浅来说，越"有规范谜底"的任务，HEAVYSKILL的上风越彰着。

Q3：审议阶段使用才气弱一丝的模子会不会影响恶果？

A：不一定会。商量实验发现，即使用孤苦解题才气较弱的模子四肢审议者，也能产生有用的性能辅助。这是因为审议阶段需要的中枢才气是"笼统分析和批判性判断"，而不是"孤苦解题"。换句话说米兰体育MILAN SPORTS，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，一样不错胜任审议职责。