谷歌的論文(TUMIX: Multi-Agent Test-Time Scaling with Tool-Use Mixture)提出了工具使用混合（TUMIX），利用多樣化的工具使用策略來改進推理能力。論文展示了如何通過并行運行一系列多樣化的agent（純文本、代碼、搜索等）并讓它們在幾輪中共享筆記，從而從大語言模型中獲得更好的推理能力。它不是暴力地增加更多樣本，而是混合策略，在有信心時停止，最終既更準確又更便宜。

圖片

混合不同的agent，而不僅僅是更多同一種agent：他們運行了15種不同的agent風格（思維鏈、代碼執行、網絡搜索、引導變體等）。每個agent都能看到問題和其他agent過去的答案，然后再次嘗試。這種來回交互使群體比任何單個agent都更聰明。

圖片

提前停止，節省成本：更多輪次并不總是有幫助。過度優化可能會扼殺多樣性。他們使用LLM判斷器來決定何時停止。這既保持了高準確率，又將成本削減了近一半。

圖片

優于現有方法：與其他工具增強的擴展技巧相比，TUMIX在困難的推理基準測試（HLE、GPQA-Diamond、AIME）上始終得分更高。對于Gemini-2.5 Pro，它將HLE推高至34.1%，這是一個顯著的提升。

圖片

多樣性是秘密武器：結合文本、代碼和搜索agent優于重復采樣最佳單一agent。更多樣化的工具使用=更多機會找到正確的推理路徑。

自動agent設計：他們甚至讓LLM生成新的agent類型并將其混合進去，這進一步提升了結果。最佳組合點約為12-15種不同的agent風格。

本文轉載自????AI帝國????，作者：無影寺