标签
该论文揭示了引入评判器的蒙特卡洛树搜索（MCTS）为何无法提升计算机操作智能体的表现，并提出了 Probe-and-Resume（探查并恢复）策略：仅在候选最终状态下调用评判器，并赋予其对分叉环境的完整探查权限。该策略使 Terminal-Bench 2.1 的任务成功率提高了 8.4 个百分点，而成本不到 Codex CLI 的一半。
介绍 IneqAgent，一个将大语言模型推理与符号计算结合的智能体框架，用于 Lean 4 中的不等式形式化证明，采用引理级蒙特卡洛树搜索协调引理构造与符号后端选择，在四个基准上达到 94.09% 的成功率。
一项受控等预算实验研究比较了蒙特卡洛树搜索（MCTS）与随机重启列表调度在DAG工作流调度中的表现，发现MCTS在相同预算下反而比简单的随机重启方法差约2.88%。研究指出MCTS的劣势源于选择规则锁定在首个扩展子节点上，而换成标准UCT规则后差距基本消失。
一篇预印本提出了 FLEET 算法，它通过将外部奖励归因到具体 token，使 Best-of-N 采样具备奖励感知能力：把隐藏状态连同奖励元数据存入向量库，并在后续迭代中使用改造后的 MCTS 重新调整 logits。在 GSM8K 和 LiveCodeBench 上使用 Llama 3.2 3B 的实验表明，该方法以远少于采样基线的迭代次数达到了相当甚至更优的性能。此外，它产出的元数据存储库可复用为其他任务的先验，或用于增强 SFT/RL。
MoFlow 将智能体工作流生成建模为多目标 MDP，并通过带集合值回溯的凸包蒙特卡洛树搜索（Convex-Hull Monte Carlo Tree Search）求解，覆盖帕累托前沿，使工作流无需重新训练即可按任意偏好检索。在数学、代码和问答基准测试上，其超体积（hypervolume）指标优于六个基线方法。
Harness Router 是一个针对AI编码代理的决策层，通过使用Jev处理模糊性并使用MCTS评估多步后果，在执行前优化工具选择。
介绍PrimeScientist，这是一种在自主研究智能体中使用自适应MCTS策略来策略性分配研究投入的方法，旨在资源约束下提高研究质量和样本效率。
本文提出了一种用于Lean 4中形式定理证明的三角色蒙特卡洛树搜索框架，将编译器作为奖励预言机以提高样本效率，并通过内核级证明审计揭示奖励黑客问题。
本文提出了Unified Sequential Composition Model（USCM）和Latent Expansion Monte Carlo Tree Search（LE-MCTS），用于时尚服装生成，在多个数据集上实现了最先进的性能。
Sakana AI 推出 AB-MCTS，一种推理时缩放算法，使多个前沿 AI 模型（Gemini 2.5 Pro、o4-mini、DeepSeek-R1-0528）协同工作，在 ARC-AGI-2 基准测试中显著优于单个模型。
SciOrch 提出了一种基于 MCTS 训练的 8B 视觉语言模型，用于协调多个专家级大语言模型进行多模态科学推理，在降低 API 成本的同时实现了更优性能。
本文提出了多模态多维度标量化过程奖励建模（MMS-PRM），该方法在多模态推理中强制最差维度的鲁棒性，以防止视觉幻觉等失败被强大的文本逻辑掩盖。
本文介绍了一种名为Program-of-Layers（PoLar）的方法，它允许大语言模型根据每个输入动态地跳过或循环预训练层，从而在固定深度推理的基础上提高准确性和效率。
StepPRM-RTL 是一个新颖的框架，结合了逐步轨迹建模、过程奖励建模（PRM）和检索增强微调（RAFT），旨在提升基于LLM的RTL代码生成能力，适用于 Verilog 和 VHDL，在功能正确性指标上比现有最优方法提升超过10%。
提出了COMPASS，一种认知MCTS引导的过程对齐框架，通过合成攻击轨迹并隔离风险动作来增强LLM驱动的搜索智能体的安全性，在更少的训练数据下实现了良好的安全-效用权衡。
DRS-GUI提出了一种免训练的动态区域搜索框架用于GUI定位，通过轻量级UI感知器模拟人类感知行为，并结合蒙特卡洛树搜索逐步定位与指令相关的元素。实验表明，在ScreenSpot-Pro上，通用和GUI专用多模态大语言模型的定位性能提升了14%。