LLM即评委通过利用大语言模型进行规模化评估，彻底改变了人工智能评价范式。然而，随着评估对象日益复杂化、专业化与多步骤化，LLM即评委的可靠性正受到内在偏见、浅层单次推理以及无法对照现实观测验证评估结果的制约。这推动了向智能体即评委的范式转变——智能体评委通过任务规划、工具增强验证、多智能体协作与持久记忆等技术，实现了更鲁棒、可验证且细致入微的评估。尽管智能体评价系统正快速涌现，该领域仍缺乏统一框

RAP聚合（第3.4节）：对于数学推理等仅需最终答案的任务，可运行多次MCTS（不同随机种子），对多条轨迹的答案进行多数投票（majority voting）。，这是因为LLM动作空间巨大且随机，无法像围棋那样枚举所有合法动作（附录A：“对于开放域问题，无法枚举所有可能行动”）。自我评估）在后续迭代中被UCT公式惩罚，实现错误回溯（backtracking of errors）。（包含四维度信号）

通过提示工程构建世界模型的本质，是利用LLM的上下文学习能力，通过精心设计的少样本示例和角色指令，将其从文本生成器重新配置为状态转移模拟器。这一过程不涉及模型参数更新（“我们采用冻结的大型语言模型”，第6节），而是通过提示词c′c'c′的条件分布pst1∣statc′pst1​∣st​at​c′实现世界模型的功能。

总结：四篇论文构成了从"简单提示"（CoT）到"解码策略"（CoT-SC）再到"搜索与规划"（ToT/RAP）的演进谱系。后续研究需在理论严谨性（如证明搜索/规划的必要性条件）和工程实用性（如降低计算成本）之间寻求平衡。研究背景与动机（原文定位：Introduction, Section 1）研究背景与动机（原文定位：Introduction, Section 1）研究背景与动机（原文定位：Int

该论文提出了一个系统性的LLM推理增强框架，将世界模型与MCTS规划相结合，在特定基准测试上展示了显著性能提升。然而，其理论体系高度依赖LLM作为可靠世界模型和奖励评估器的假设，缺乏对这些关键组件准确率的独立验证，且未充分讨论计算成本与扩展性限制。在工程实践中，其提示工程的复杂性和计算开销可能限制其广泛应用。

大语言模型（LLMs）已展现出卓越的推理能力，尤其是在思维链（CoT）提示的引导下。然而，LLMs有时仍会难以解决对人类而言相对简单的问题，例如在特定环境中生成实现给定目标的行动方案，或执行复杂的数学与逻辑推理。这一缺陷源于一个关键事实：LLMs缺乏内部世界模型来预测世界状态（如环境状态、中间变量值）并模拟行动的长期结果。这使得LLMs无法执行类似人类大脑的审慎规划，即探索替代推理路径、预测未来状

本文摘要： 针对语言模型在复杂推理任务中的局限性，研究者提出"思维树"（ToT）框架，通过系统性探索多路径推理提升问题解决能力。该框架将问题分解为连贯的中间思维单元，允许模型生成多样化候选方案（如独立采样或顺序提议），并引入语言模型自我评估机制作为搜索启发式。实验表明，在24点游戏（成功率从4%提升至74%）、创意写作和填字游戏中，ToT显著优于传统思维链方法。该研究融合了人类

作者明确指出的核心问题位于Introduction第1段与第2段：瓶颈一（决策机制限制）：当前LLM（如GPT-4、PaLM）受限于"token-level, left-to-right decision-making"，即自回归的逐词元从左至右决策模式。作者声称此模式在应对需要exploratory reasoning（探索性推理）、strategic lookahead（策略性前瞻）或init

本文提出了一种新的解码策略"自洽性"（Self-Consistency），用于改进思维链（CoT）提示中的贪心解码方法。核心观点是：复杂推理问题存在多种正确推理路径，通过采样多样化路径并选取最一致的答案，可显著提升推理准确性。该方法完全无监督，无需额外训练或标注。实验表明，在算术和常识推理任务上，自洽性相比贪心解码取得显著提升（如GSM8K +17.9%），且对采样参数和模型规

本文提出"自洽性"解码策略，通过生成多样化推理路径来提升语言模型的推理能力。该方法首先采样多条思维链，然后选择最一致的答案。实验表明，在算术推理(GSM8K提升17.9%)和常识推理(StrategyQA提升6.4%)等任务上，自洽性显著优于传统贪婪解码。该方法无需额外训练或标注，可直接应用于预训练模型，为复杂推理任务提供了简单有效的解决方案。