研究與評測
Apple提出LEAD改善長程推理
Apple ML
Apple ML 發表 Lookahead-Enhanced Atomic Decomposition（LEAD）方法，旨在突破大型語言模型長程推理中的「無法復原瓶頸」。LEAD 透過短期前瞻驗證與重疊 rollout 聚合，在維持拆解穩定性的同時保留修正錯誤所需的局部脈絡。受控演算法謎題測試中，LEAD 讓 o4-mini 解出複雜度達 n = 13 的 Checkers Jumping，而極端拆解在 n = 11 之後便告失敗。
讀原始報導背景
長程推理著重 AI 的多步驟規劃與推論，但大型語言模型即使已有高階策略，長程執行仍可能不穩定。任務分解有助維持穩定，然而過度分解會形成難以修正錯誤的「無法復原瓶頸」；LEAD 結合短期未來驗證、一致性篩選與重疊推演結果彙整，在保留局部脈絡的同時及早修正錯誤。