嘿，大家好！这里是一个专注于前沿AI和智能体的频道~
谷歌 DeepMind 和 MIT 联合发了一篇论文，名叫 TUMIX（Tool-Use Mixture）。
大概就是说，Multi-Agent 才是 test-time- scaling的终极打开方式，可以以一半的成本，在HLE上，准确率从 21.6% 飙升到 34.1%，超越 Gemini-2.5-Pro Deep Research。
除此之外，他们还做了一个彩蛋，让Agent设计Agent，效果比人工设计的更牛~
图片
一个反常识
Agent多样性 > 疯狂采样
目前主流的推理时扩展方法是什么？
重复采样同一个最强模型，然后用多数投票选答案。
感觉也没毛病，但谷歌验证后，说：错了。
他们做了个实验：
- 单Agent重复15次 vs 15个不同Agent各推理1次
- 在相同的推理成本下，15个不同Agent的准确率和覆盖率都明显更高
为什么呢？
因为不同Agent采用不同的工具使用策略（纯文本推理、代码执行、网页搜索、双工具混合等），能探索更广阔的解空间。而单Agent重复采样，本质上还是在同一个思维框架里打转。
图片
他们还对比了三种工具组合：
- Code_Text（只能用代码，不能搜索）
- Search_Text（只能搜索，不能用代码）
- Code_Search_Text（两者都能用）
结果，双工具Agent组的覆盖率和准确率都显著高于单工具组。
这说明什么？Code Interpreter 和 Search 不是互相替代的关系，而是互补的。
文本推理擅长语义和常识，代码擅长精确计算，搜索擅长获取最新知识。只有三者混合，才能发挥LLM的全部潜力。
TUMIX的核心机制
TUMIX的架构其实不复杂，核心就三步：
第一轮
15个不同Agent并行推理。
每个Agent有自己的工具使用策略（CoT、纯代码、搜索优先、代码搜索混合、引导式双工具等）
每个Agent最多可以调用工具5次，生成15个初步答案
第二轮及之后
答案共享 + 迭代优化：
把上一轮所有Agent的答案拼接到原问题后面，每个Agent基于原问题+其他Agent的答案生成新答案。
重复这个过程，直到LLM判断答案已收敛。
终止
LLM-as-Judge，用LLM自动判断何时停止迭代（最少2轮），最终通过多数投票选出答案
图片
这个设计既保留了多样性探索，又通过迭代优化提升了答案质量。
他们还发现了一个有趣的现象：随着迭代轮次增加，覆盖率（至少有一个Agent答对）会下降，但平均准确率会上升。
这说明Agent们在互相学习的过程中逐渐趋同，但也会误删掉一些正确答案。
所以，关键是找到那个点——既充分迭代优化，又不过度收敛。
最后
来看看TUMIX的实战表现：
在Gemini-2.5-Pro上，HLE从21.6%提升到32.3%，GPQA从84.6%提升到87.9%， AIME 24&25，从87.3%提升到96.7%。
对比其他Test-time Scaling方法（Self-MoA、Symbolic-MoE、DEI、SciMaster、GSA），TUMIX在相同推理成本下，平均准确率都有明显优势。
图片
LLM可以自动设计更强的Agent？
论文里还有个彩蛋：他们尝试让 Gemini-2.5-Pro 自己设计新的Agent。
做法很简单：
- 给LLM看现有的15个人工设计的Agent
- 让它生成更多样、更高质量的Agent
- 从生成的25个新Agent中筛选出表现最好的15个
结果呢？
混合了人工设计和LLM生成的Agent组，性能比纯人工设计的还要高1.2%。
LLM生成的Agent长什么样？比如：
- Plan-Verify-Refine：先规划、再执行（代码或搜索）、然后验证并优化
- SearchThenCode：强制先搜索、再用代码
- Debate-CrossExam：模拟提议者和怀疑者辩论，引导工具使用
这些策略和人工设计的完全不同，说明LLM已经具备了一定的Meta-Agent设计能力。
最后
OpenAI o1 和 DeepSeek R1 的路线是让单个模型深度思考，本质上还是在同一个推理框架内扩展。
TUMIX告诉我们，通过多样化的Agent和工具混合，可以用更低的成本达到更好的效果。
同时，LLM可以设计更强的Agent架构，这意味着，未来的AI系统可能会自己优化自己的工作流，而不需要人工调参。
