本文评估了一种基于回合级别最佳N抽样（\method）的推理时扩展策略，针对在复杂长时程任务中的大语言模型（LLM）代理。我们采用生成‑选择器框架，使用两套 LLM：在每个回合，生成模型产生 $N$ 条候选动作，选择模型从中挑选一条并在环境中执行。该思路与 \cite{zainullina2025guided} 的批评模型引导搜索相似，但不同之处在于我们直接使用开源、离线权重的 LLM 来比较候选动作，而非专门训练的评估模型。实验在多个长时程终止任务上进行，结果显示 \method 能提升准确率约 5%–10%，并显著降低重复尝试的波动。轨迹分析表明，代理的行为更趋向于减少求解次数、加强任务指令遵循、以及进行调试和测试等期望模式。\n\n点评