摘要
虽然大型语言模型（LLMs）在许多任务上表现出色，但它们在需要长期规划和迭代错误修正的复杂推理方面仍然面临挑战。此外，当模型遇到新颖的抽象或严格的领域约束时，传统的单流提示方法显得脆弱。
我们提出了 PoTRE（多拓扑推理集成），这是一种异质框架，将推理解耦为四个代理：
- 对抗精炼代理
- 层级战略规划代理
- 谱搜索代理
- 直接链代理
最终的任务自适应聚合层动态调和这些视角，通过最终候选选择、语义综合或神经符号验证，生成一个稳健的全局解决方案。
我们在三个前沿基准上评估了 PoTRE：ARC-AGI-2、人类最后的考试（HLE）和 PRBench 金融。PoTRE 在 HLE 上达到了 49.92% 的最新准确率，超越了之前的最佳官方得分。我们证明，这种架构异质性在使用相似或更少的推理令牌的情况下，能够获得比高度扩展的同质基线更好的推理性能。
博主点评： PoTRE 的创新在于其通过异质性架构提升推理性能，这对于处理复杂任务尤为重要。通过动态聚合不同代理的视角，PoTRE 展现了强大的适应能力，为未来的推理系统提供了新思路。其在多个基准测试中的优异表现，进一步证明了该方法的有效性。