这项由好意思团LongCat团队与北京大学软件工程国度工程有计划中心伙同开展的有计划，以预印骨子式于2026年5月4日发布，论文编号为arXiv:2605.02396v1，有趣味深入了解的读者可通过该编号查询完好意思论文。

一、当一个AI大脑不够用，为什么不让它"开小组接头"？

你有莫得碰到过这种情况：一谈难题我方想了半天没眉目，但和几个一又友沿路接头，全球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"的状态，在东谈主类解题中层出不穷。好意思团LongCat团队的有计划者们就在想：能不可让AI也用相通的容貌来惩办复杂问题？

这篇论文提议的中枢想法叫作念HEAVYSKILL，华文不错融会为"重度念念考手段"。它的实际很节略：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"回想者"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，西宾把消失谈难题交给多个学习小组孤苦解答，然后召集通盘小组讲演扫尾，终末由西宾空洞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，但有计划团队作念的事远不啻"想出这个点子"这样节略。他们系统地有计划了这种容貌到底有多灵验、在哪些情况下最管用、怎样把它变成AI不错平直调用的"手段"，还探索了能否通过强化学习进一步强化这种智商。接下来就一步步拆解这项有计划。

二、AI智能助手背后的"辅导中心"是怎样使命的？

在融会HEAVYSKILL之前，有必要先了解一下当代AI助手的使命容貌。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"总辅导"（称为编排器或调解者），底下管着好多特地的"小分队"（子代理），各自诩责不同任务，还配有"档案室"（驰念组件）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。这些系统之是以简略处理复杂任务，是因为总辅导不错机动调配各个小分队协同使命。有计划词，有计划团队发现了一个重要问题：这些系统的优秀推崇，到底是因为精妙的架构设想，如故因为AI模子本人的推理智商在剖析作用？

有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门径：先是让多个子代理"并行念念考"（各自孤苦分析消失个问题），然后再由总辅导"汇总归纳"（空洞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容貌。

这一发现让有计划团队产生了一个果敢的想法：既然中枢计制就是"并行念念考加汇总"，何不把这个智商平直内化到AI模子本人，让模子无需复杂的外部架构就能我方践诺这套经过？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廓清的阶段，像勇猛赛一样前后连络。

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常常设为8或16），每个推理者统共不知谈其他推理者在想什么，各自从零运转解题。这种相互隔绝相等热切——恰是因为每个推理者的念念路统共孤苦，才气产生的确各样化的解题旅途。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，有东谈主则寻求随性的优雅解法。各样化的念念路意味着更大的概率遮盖到正确谜底。

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"驰念缓存"，也就是一份按步调胪列的念念路汇总文档。由于每个推理者的念念考过程常常相等冗长，平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妥贴剪辑，何况打乱步调胪列，提防AI对某个特定位置的谜底产生偏向。

第二阶段叫作念"步调审议"。另一个AI饰演"回想者"的变装，拿到这份汇总文档后，不是节略地数哪个谜底出现次数最多就领受哪个，而是进行的确的批判性分析。回想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，致使在发现通盘推理者都错了的情况下，孤苦从新推导出正确谜底。

此外，有计划团队还设想了一个可选的"迭代审议"机制。在第二阶段产生回想扫尾后，这个回想不错被从新放回驰念缓存，四肢一个罕见的"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"阐述书"：AI读懂就能践诺

这套经过不仅不错通过外部代码来驱动，有计划团队还将其索要成了一份AI不错平直阅读和践诺的"手段文献"——HEAVYSKILL.md。

这份文献实际上是一份用当然语言写成的操作范例，就像给新职工入职时发的使命手册。文献的第一部分明确端正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；关于节略的信息查询或日常聊天，则无谓启动，幸免糟践计较资源。

文献的第二部分描述了怎样生成并行推理：系统应该同期启动3到5个（在完好意思使命流模式下可达8个以上）相互孤苦的推理代理，每个代理必须重新运转解题，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战略，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：回想者必须明确辨认哪些推理链条是逻辑严实的，哪些存在颓势；多数东谈主的认识是参考信号，但绝非正确的保证；少数派的正确推理值得负责对待；若是通盘推理者都错了，回想者有职守孤苦从新推导谜底。

文献的第四部分端正了输出样子：最终给用户的仅仅谜原本人，不需要展示通盘这个词分析元过程；数学题用程序的方框样子，编程题用代码块，以保捏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，不错被插入任何守旧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。有计划团队已考证，消失份HEAVYSKILL.md文献在ClaudeCode和自界说编排框架中均可平时运行。

五、的确的锻练：让AI去解竞赛数学题和编程难题

有计划团队为HEAVYSKILL安排了一系列严苛的锻练，遮盖了理工科、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（越过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（有计划生级别物理、化学、生物空洞题目）。这些题目对东谈主类来说也荒谬有挑战性，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7亿到超大范围参数的不同体量。

为了议论后果，有计划团队设想了五种评价方针，酿成了一套完好意思的测量体系。Mean@K议论的是K次并行推理的平均准确率，反应基础水平。Pass@K议论的是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，荒谬于面前常用的"最好K选N"战略（Best-of-N）。在HEAVYSKILL框架下，还有两个新方针：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份回想内容。

六、数据言语：HEAVYSKILL到底有多强？

测试扫尾组成了一幅廓清的图景，合座限定荒谬深切。

在理工科任务上，HEAVYSKILL展现出全面且肃肃的上风。以DeepSeekR1-0528模子在HMMT25-Feb上的推崇为例：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%。访佛的晋升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。

有计划团队回想出了一个相接通盘实验的限定：Heavy-Pass@K≥Heavy-Mean@K≥Vote@K≥Mean@K。这个条理关系阐述，HEAVYSKILL不仅让平均推崇优于传统投票方法，致使在"后劲天花板"层面也越过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，尊龙APP官方最新版下载后果更为显耀。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平直达到100%，与Pass@8的上限皆平。GLM4.6在HMMT25-Feb上，K=16时HM@4达到99.2%，相通靠拢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明晰地暴暴露来。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上更为较着——恰是因为AIME25对强模子来说如故接近足够，反而看不出多大诀别。

在通用推理任务上，情况略有不同，体现出较着的任务依赖性。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，晋升依然显耀。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%晋升到69.3%，简直翻了一倍。有计划词在Arena-Hard（东谈主类偏好对话）这类主不雅性任务上，晋升幅度就荒谬有限，有时致使略有着落。这阐述审议机制在"追求正确性"的任务上后果杰出，但在"追求作风偏好"的任务上随机占优。

七、深挖：是哪些要道的确决定了成败？

除了合座测试，有计划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。

第一个实验有计划了审议阶段能否篡改并行推理阶段的造作。有计划者用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。扫尾夸耀，即使关于那些并行通过率低于50%的"费劲题目"，审议阶段依然简略篡改荒谬一部分造作——大致有500谈原本多数推理者都答错的题目，经过审议后被到手篡改。而关于并行通过率如故朝上50%的题目，审议阶段的到手率朝上98%，少许出现反向衰退。

第二个实验有计划了审议阶段用什么模子最合适。有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：相通是R1-Distill-Qwen-7B、更新的R1-Distill-Qwen3-8B，以及Qwen2.5-32B-Instruct。扫尾颇为出东谈主猜度：即即是Qwen2.5-32B-Instruct这个模子在孤苦解题时的推崇比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，依然能产生灵验的性能晋升。这阐述审议阶段考验的不是"会不会我方解题"，而是"能不可空洞分析多条推理旅途"——这是一种不同类型的智商，更偏向于批判性阅读和空洞判断。

第三个实验有计划了迭代次数对后果的影响。有计划者将迭代次数从1轮扩张到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。扫尾夸耀，跟着迭代次数加多，HM@K（平均准确率）呈现深切的高涨趋势，阐述多轮迭代确乎有助于进一步晋升合座推崇。有计划词HP@K（最高后劲方针）却随迭代次数加多而有所着落，阐述多轮迭代在晋升平均推崇的同期，可能也引入了来自前几轮的信息侵犯，适度了模子在少数情况下剖析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。

第四个实验有计划了怎样从大量并行推理中登第哪K条进行审议。有计划者对每谈题生成256条推理旅途，然后相比四种登第战略。就地登第是基准；最大各样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，最大长度战略推崇最差，阐述推理越长随机越对；最大各样性战略与就地登第后果附进，阐述刻意追求各样性的旯旮收益有限；最高频率战略推崇最好，阐述先用多数投票筛选出的确度较高的推理旅途，再交给审议阶段精好意思，是更聪慧的组合战略。

第五个实验将HEAVYSKILL扩张到需要调用外部器具的场景。有计划者让模子在解题过程中不错调用Python解释器获得运算扫尾，每次与解释器的交互最多50轮。测试扫尾夸耀，在AIME25和HMMT25上，HM@4依然全面朝上传统投票方法，阐述HEAVYSKILL的中枢计制在器具扶植场景下相通灵验。

八、用强化学习链接"雕琢"这项手段

除了以上已有智商的测试，有计划团队还探索了一个更前沿的问题：能不可通过锻练让AI把这种"重度念念考"的智商变得更强？

具体有预备是，把并行推理加审议的完好意思过程打包成锻练数据，用可考证奖励强化学习（RLVR）来优化模子。锻练框架遴选VeRL，强化学习算法遴选GSPO。锻练对象是R1-Distill-Qwen-7B，锻练数据特地登第了那些"并行通过率在0到62.5%之间"的费劲题目，也就是模子不太擅长的那类题目，分别用K=8和K=16两种并行建立进行锻练。

从锻练过程的图表来看，在前100步内，模子在锻练集和测试集上的HM@4均呈现深切的高涨趋势，最终晋升幅度约为10个百分点。有计划词两种建立的推崇出现了不合：K=16的建立在朝上100步后出现了较着的熵坍塌状态，锻练变得不深切；而K=8的建立在通盘这个词锻练过程中保捏了相对深切的趋势。有计划团队判断，K=16时产生的序列化驰念缓存过长，超出了R1-Distill-Qwen-7B模子的灵验处理范围，导致锻练信号质地着落。

这些初步扫尾标明，RLVR确乎能在一定进度上晋升HEAVYSKILL的后果，但如安在更大的并行范围下保管锻练深切性，还需要进一步的有计划来惩办。

说到底，这项有计划作念的事情是把一个听起来很复杂的"多智能体合作系统"规复成了它的实际：AI同期用多种念念路解题，然后由一个批判性的回想者筛选出最好谜底。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设想。通过遮盖十余个模子、多个难度层级测试集的系统实验，有计划团队阐述了这种容貌在理工科推理和代码竞赛任务上的深切灵验性，尤其是关于强模子，推崇简略接近表面上限。关于等闲用户而言，这意味着昔时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猜测。关于AI有计划者而言，如安在不加多系统架构复杂度的前提下，进一步通过锻练把这种手段刻入模子本人，仍然是一个值得深入探索的绽放问题。有趣味进一步了解技艺细节的读者，不错通过arXiv编号2605.02396查阅完好意思论文，对应的代码也已开源。

Q&A

Q1：HEAVYSKILL和等闲多数投票（Best-of-N）有什么实际区别？

A：等闲多数投票仅仅数哪个谜底出现次数最多就领受哪个，实际上是一种统计方法，无法识别逻辑对错。HEAVYSKILL的审议阶段则会的确分析每条推理旅途的逻辑严实性，简略识别"少数正确派"，致使在通盘推理者都犯错时孤苦推导出新谜底。实验数据夸耀，HEAVYSKILL在费劲题目上弥远优于多数投票，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、不错被客不雅考证的任务上后果最显耀，比如竞赛数学题、科学计较题、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程序的任务（如绽放式对话），晋升幅度则相对有限，有时致使略有着落。节略来说，越"有程序谜底"的任务，HEAVYSKILL的上风越较着。

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。有计划实验发现，即使用孤苦解题智商较弱的模子四肢审议者尊龙官方网站APP下载，也能产生灵验的性能晋升。这是因为审议阶段需要的中枢智商是"空洞分析和批判性判断"，而不是"孤苦解题"。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，相通不错胜任审议使命。