Sakana AI 发布 AB-MCTS：让 o4-mini 与 DeepSeek 组团解题

AB-MCTS 是一个让不同 AI 模型在推理时组团协作的搜索算法。如果你平时用单一模型解复杂逻辑或抽象推理题经常碰壁，它可以把几个不同厂商的顶级模型拉到一起，像真人团队一样协同试错、互相补位。

这个算法的核心全称是 Adaptive Branching Monte Carlo Tree Search（自适应分支蒙特卡洛树搜索）。它的思路不是在训练阶段把模型权重硬融在一起，而是在推理阶段搞群体智能。

它是怎么让模型组团的

现在的顶尖大模型各有所长，也各有各的偏见和盲区。Sakana AI 的做法是，用自适应分支的蒙特卡洛树搜索作为骨干框架，协调不同模型共同探索解题路径。

在搜索过程中，系统会让不同的模型分别生成下一步候选解，或者让某个模型去验证、拓展另一个模型的思路。树搜索负责决定什么时候深入某条路径、什么时候回溯、什么时候换另一个模型来尝试新的分支。

按 Sakana AI 的说法，这项研究承接了他们 2024 年关于进化模型融合的研究，但重点从以前的「通过混合模型权重来创造新模型」，转向了现在的「通过混合调用现有顶级 AI 来解决问题」。

效果与开源情况

在考察抽象推理和泛化能力的 ARC-AGI-2 基准测试中，Sakana AI 组合了 o4-mini、Gemini 2.5 Pro 以及 DeepSeek-R1-0528。测试结果显示，这个多模型组合的表现大幅超越了其中任何一个单独运行的模型。

目前该项目已经全面开源。核心算法实现放在 GitHub 的 TreeQuest 仓库中，针对 ARC-AGI-2 的完整复现实验代码也单独开源在 ab-mcts-arc2 仓库。

相关论文已经发布在 arXiv 上，感兴趣的开发者可以直接查阅算法细节。想要自己跑起来，需要准备对应商业模型的 API 密钥，并按照项目说明配置树搜索的超参数与分支策略。

为什么重要

我们认为，这项工作给推理期扩展提供了一条很实用的新路径。大家都在卷单个模型的思维链和长思考，但单模型的思维定势很难靠自我反思完全消除；把不同架构、不同训练数据的模型扔进同一个树搜索里，往往能用更小的代价跳出局部最优。

如果你正在做复杂推理、智能体工作流或者攻坚特定数学与编程难题，这个工具非常值得拿来搭一套实验流水线。它的门槛主要在多模型 API 并发调用的成本和延迟上，但对于追求解题上限的场景，这套协同试错框架给出了现成且有说服力的参考。