

> **导语**
> 近日，一项来自 Sakana AI 的研究突破了当前大模型竞争的格局。 他们提出了一种名为 Multi-LLM AB-MCTS 的新算法，首次实现了让 OpenAI、谷歌和 DeepSeek 的顶尖模型在推理时协同工作，组建成一支“AI梦之队”。 这个“三模合一”的集体智能在极具挑战性的基准测试中，展现出远超任何单一模型的能力，将解题成功率提升了超过30%。

## AI“梦之队”的诞生

长期以来，人工智能领域的竞争主要围绕着单个模型的性能展开，各大科技巨头都在努力打造更强大的“单体”AI。  然而，Sakana AI 的研究提供了一个全新的思路：与其追求单一的“最强王者”，不如将不同模型的独特优势结合起来，形成“群体智慧”。 
![image.png](https://static.downly.cn/images/23c4baff447514f237b78b3376f40ed7.png)
这项研究并非一次企业级的合作，而是一次技术层面的创举。  研究人员利用他们开发的 Multi-LLM AB-MCTS 框架，将三个来自不同公司的前沿模型——o4-mini、Gemini-2.5-Pro 和 DeepSeek-R1-0528——有效地整合在一起。 这个系统能够在解决复杂问题时，像一个团队一样，动态地调用最适合当前任务的模型来执行特定步骤。 

![image.png](https://static.downly.cn/images/d453041821c2c39af4bcdf6c8205e62e.png)
## 解密核心技术 AB-MCTS

这项突破的核心是一种名为“自适应分支蒙特卡洛树搜索”（AB-MCTS）的算法，它属于“推理时扩展”（Inference-Time Scaling）技术的一种。 简单来说，就是让AI在面对难题时，通过投入更多的计算资源进行“深度思考”和“反复试错”，而不是只给一次机会。 
![image.png](https://static.downly.cn/images/8a2db571aa03e2e2727d402317eb5131.png)
过往的方法通常要么是“深度优先”，即对一个想法不断优化；要么是“广度优先”，即产生许多个全新的想法。  这两种方式各有局限。  而 AB-MCTS 算法巧妙地扩展了AlphaGo所使用的蒙特卡洛树搜索技术，能够在“深入优化一个方案”和“探索全新可能性”之间取得动态平衡。

在此基础上，Multi-LLM AB-MCTS 增加了第三个维度：AI选择。  在每一步决策时，算法不仅要决定是“走深”还是“走宽”，还要决定该任务由哪个模型来执行最有效，从而实现真正的优势互补。

![image.png](https://static.downly.cn/images/f56352a3c54271bf5d4b67524d048624.png)

## 1+1+1 > 3 惊人的实验结果

为了验证“AI梦之队”的真实战力，研究团队在极具挑战性的 ARC-AGI-2 基准测试上进行了实验。 结果令人瞩目：
![image.png](https://static.downly.cn/images/88006959a41d99488482df279f9e298a.png)
通过让三个模型协同工作，Multi-LLM AB-MCTS 最终解决了超过 30% 的问题。  相比之下，作为性能最强的单一模型之一，o4-mini 即便使用了新的 AB-MCTS 算法，成功率也只有 27.5%，而使用传统的重复采样方法更是只有 23%。  这证明了群体智慧的巨大优势。

更有趣的发现是，协作的价值并非简单地让最强的模型去解决问题。  实验中，一些单个模型表现不佳的案例，却在多模型协作中迎刃而解。 比如，o4-mini 先生成一个不完全正确的初步答案，而 DeepSeek-R1-0528 能够在这个错误答案的启发下，接力修正并最终得出正确解法。 这充分展示了不同模型间思维碰撞产生的火花。

![image.png](https://static.downly.cn/images/88eb4924125ce0320fa12f21d4a9cf07.png)

## 未来展望 群体智能的黎明

Sakana AI 的这项研究标志着AI发展的一个重要转向，即从追求“模型规模”转向探索“模型使用”的智慧。  它证明了通过智能算法将现有顶尖模型的能力进行组合，可以有效突破单一模型的性能瓶颈。

正如人类历史上众多伟大的成就都源于协作而非个人英雄主义，AI的未来或许也并非由一个无所不能的“超级AI”主宰，而是由无数个各具特长的AI组成的、高效协作的“集体智能”来开创。 为了推动这一领域的发展，Sakana AI 已经将该算法框架以“TreeQuest”之名开源，供全球的研究者使用和探索。 

搜索结果: 三国演义