Sakana AI 的最新研究揭示，多种前沿模型能够借助一种名为自适应分支蒙特卡洛树搜索 的算法进行协同思考。这种团队作战模式成功攻克了单一模型无法解决的难题，将高难度的 ARC-AGI-2 测试成功率提升至 30%。
相比之下，传统的大语言模型依赖固定的采样或优化策略，在处理许多 ARC-AGI-2 任务时常常以失败告终。
新的 AB-MCTS 算法则更为灵活，它允许搜索过程在两个维度间切换：既可以拓宽广度，发起全新的尝试；也可以加深深度，持续打磨有潜力的方案。更进一步，多模型 AB-MCTS 还能为每一步动态选择最合适的模型。最终，在相同的 250 次调用预算内，该方法的解题成功率从 23% 跃升至 30%。
上图直观地展示了自适应分支 MCTS 扩展其搜索树的过程。顶部的圆点代表初始方案，虚线代表所有可能的探索路径。
横向探索（拓宽广度）：算法可以探索一个全新的方案来测试一个崭新的思路。 纵向挖掘（加深深度）：算法也可以专注于一个有潜力的方案并对其进行持续优化。
通过在这两种动作之间进行动态切换，系统能够更高效地分配其计算资源（即调用预算），从而让模型团队比任何固定的单一策略都更有可能找到正确答案。
启发：单一策略的局限。 让一个模型思考再久，如果第一步就走错了方向，最终还是会陷入僵局。而那种只会不断从头再来的重启策略，则永远无法挽救那些功亏一篑的近似解。
AB-MCTS 的精髓在于，它模仿了人类在大胆试错与精细打磨之间灵活切换的解决问题方式。
机制：动态平衡探索与优化。 该算法的搜索树在每个节点都引入了一个特殊的生成(GEN) 分支。通过引入 汤普森采样 机制，算法能够实时权衡两者的收益：是创造一个全新方案，还是优化现有方案？
决策的结果是，当现有思路似乎走到尽头时，搜索树便横向生长，探索更多可能性；而当某个方案初见成效时，它便纵向深挖，力求突破。
从单打独斗到团队协作
更优的策略：深度与广度的平衡带来了显著效果。传统的重复采样策略在 250 次调用后成功率仅为 23%。而 AB-MCTS 在大约 50 次调用后，便不再是盲目地掷骰子进行新尝试，而是智能地复用表现最佳的部分代码，从而将成功率提升至 27.5%。
更强的团队：多模型模式引入了选贤任能的机制。团队中的每个成员各有所长：Gemini-2.5-Pro 擅长快速生成代码草稿，o4-mini 精于发现潜在模式，而 DeepSeek-R1 则是调试纠错的专家。
算法会智能追踪哪个模型在当前任务分支上表现更佳，然后将接力棒交给它。报告中的图表清晰地显示，一旦某个方向获得正向反馈，系统会果断地将更多计算资源倾向于最强的那个模型。
更高的上限：当模型之间协同作战时，最终的成功率突破了 30%。论文中的一个案例生动地展示了这种协作的价值：o4-mini 生成了一段有错误但极具启发性的代码，随后 DeepSeek-R1 和 Gemini-2.5-Pro 在后续步骤中接力修复并完善了它。
这证明了模型间是真正的优势互补，而非简单的投票表决。
赋能开发者：为了让更多人能利用这一思想，研究团队推出了名为 TreeQuest 的开源框架。它将复杂的协同搜索算法封装在简洁的 API 背后，并支持断点续搜。
这意味着，任何开发者都能轻松地将各种前沿模型 API 接入，构建属于自己的集体智慧大脑。
协作式 AI 的兴起
总体而言，这项研究印证了人工智能领域一个愈发清晰的范式转变：从追求更大的单一模型，转向构建更强的模型团队。
这种协作式方法，通过一个智能协调器为每个子任务匹配最合适的专家模型，从而有效弥补了任何单一模型都可能存在的短板。让各有所长的模型协同工作，其能力是相加甚至相乘的，而非简单的重叠。
这或许预示着，AI 领域的下一次重大飞跃，将不再仅仅来自于模型规模的暴力堆砌，而是源于这种更高效、更智慧的协作式人工智能。
参考资料：https://sakana.ai/ab-mcts/
想和更多聪明大脑一同探讨AI前沿？添加主理人微信：znqbs1，备注“情报”，我会邀请你进入“智能情报所”核心社群，共同进步，期待我们都有所获得。
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
