在大型模型推理领域，如何在固定算力下高效探索解题路径是一个悬而未决的难题。过去的方法受困于“并行采样”的内存溢出与“剪枝”的算力闲置，本质原因是它们无法将从失败路径释放的算力，主动重新投入到有潜力的路径上。
本文的核心洞见是：把并行的推理过程重新看作动态的“思维级”集束搜索（beam search）。由此，“剪除低质路径、复制高质前缀”这一关键操作使问题得以解开，它既能淘汰无效探索，又能立即用算力增殖最优希望的思考分支，持续保持硬件满载。
这项工作真正留下的遗产是一种算力动态重分配的推理范式。它为后来者打开的新门是如何在生成任务中，用算法主动管理有限的计算资源以最大化“有效思考”的密度。但尚未跨过的门槛是：如何设计出更精准的路径评估器，以避免在早期错误地剪除真正有潜力的解法。
arxiv.org/abs/2608.08020 #机器学习# #人工智能# #论文# #AI创造营#