🎯 情报来源：量子位
由Transformer作者Llion Jones创立的Sakana AI近日发布开源算法AB-MCTS（TreeQuest），实现多LLM协同工作新突破。该算法通过自适应分支蒙特卡洛树搜索技术，让ChatGPT、Gemini和DeepSeek等大模型像人类团队般协作解决问题。在ARC-AGI-2基准测试中，多模型组合解决率达30%，较顶尖独立模型（23%）提升7个百分点，部分问题仅靠模型协作才能破解。
技术核心在于动态平衡探索（生成新方案）与利用（优化现存方案），通过贝叶斯后验预测和Thompson采样实现自适应分支。开源项目包含AB-MCTS-M（分层贝叶斯推断）和AB-MCTS-A（共轭先验优化）两个变体，在LiveCodeBench、CodeContest等基准测试中均超越传统MCTS方法。当计算预算增至512时，DeepSeek-V3配合AB-MCTS的性能持续提升，而重复采样方法已现增长瓶颈。
💡 核心要点
- 性能突破：多LLM协作在ARC-AGI-2测试中解决率30%，比单模型最佳水平高7%
- 算法创新：首次实现无界分支MCTS，节点可重复扩展并引入GEN子节点机制
- 计算效率：预算512时AB-MCTS持续提升，DeepSeek-V3性能较重复采样高42%
- 开源生态：以TreeQuest名义开源，含两种优化变体适配不同场景
- 技术传承：延续团队2024年进化模型融合研究，受生物集体智能启发
📌 情报分析
技术价值：极高 – 突破传统MCTS固定分支限制，通过无界分支+自适应策略实现多LLM协同框架，实验数据表明其在不同预算下均优于基线方法15-40%
商业价值：高 – 开源策略加速生态建设，多模型协作方案可降低企业对单一供应商依赖，ARC-AGI测试提升证明其在复杂决策场景的应用潜力
趋势预测：极高 – 生物启发式AI设计成显学（参考同期达尔文-哥德尔机），多智能体协作将成AGI研发标配，论文显示该方法在预算增加时仍保持线性增长优势