Sakana AI 釋出 AB-MCTS：讓 o4-mini 與 DeepSeek 組團解題

AB-MCTS 是一個讓不同 AI 模型在推理時組團協作的搜尋演算法。如果你平時用單一模型解複雜邏輯或抽象推理題經常碰壁，它可以把幾個不同廠商的頂級模型拉到一起，像真人團隊一樣協同試錯、互相補位。

這個演算法的核心全稱是 Adaptive Branching Monte Carlo Tree Search（自適應分支蒙特卡洛樹搜尋）。它的思路不是在訓練階段把模型權重硬融在一起，而是在推理階段搞群體智慧。

它是怎麼讓模型組團的

現在的頂尖大模型各有所長，也各有各的偏見和盲區。Sakana AI 的做法是，用自適應分支的蒙特卡洛樹搜尋作為骨幹框架，協調不同模型共同探索解題路徑。

在搜尋過程中，系統會讓不同的模型分別生成下一步候選解，或者讓某個模型去驗證、拓展另一個模型的思路。樹搜尋負責決定什麼時候深入某條路徑、什麼時候回溯、什麼時候換另一個模型來嘗試新的分支。

按 Sakana AI 的說法，這項研究承接了他們 2024 年關於進化模型融合的研究，但重點從以前的「通過混合模型權重來創造新模型」，轉向了現在的「通過混合呼叫現有頂級 AI 來解決問題」。

效果與開源情況

在考察抽象推理和泛化能力的 ARC-AGI-2 基準測試中，Sakana AI 組合了 o4-mini、Gemini 2.5 Pro 以及 DeepSeek-R1-0528。測試結果顯示，這個多模型組合的表現大幅超越了其中任何一個單獨執行的模型。

目前該專案已經全面開源。核心演算法實現放在 GitHub 的 TreeQuest 倉庫中，針對 ARC-AGI-2 的完整復現實驗程式碼也單獨開源在 ab-mcts-arc2 倉庫。

相關論文已經發布在 arXiv 上，感興趣的開發者可以直接查閱演算法細節。想要自己跑起來，需要準備對應商業模型的 API 金鑰，並按照專案說明配置樹搜尋的超引數與分支策略。

為什麼重要

我們認為，這項工作給推理期擴充套件提供了一條很實用的新路徑。大家都在卷單個模型的思維鏈和長思考，但單模型的思維定勢很難靠自我反思完全消除；把不同架構、不同訓練資料的模型扔進同一個樹搜尋裡，往往能用更小的代價跳出區域性最優。

如果你正在做複雜推理、智慧體工作流或者攻堅特定數學與程式設計難題，這個工具非常值得拿來搭一套實驗流水線。它的門檻主要在多模型 API 併發呼叫的成本和延遲上，但對於追求解題上限的場景，這套協同試錯框架給出了現成且有說服力的參考。