这个仓库好有意思，让比较小的大语言模型对某一个问题的推理，用多个分支同步进行，然后裁掉错误的分支，合并正确的分支，模拟量子搜索的方式去提高推理的质量。话说这样不会燃烧大量的Token吗？😅最后可能还不如用更好的模型做单次推理？

Interference Search：多支同时走，相同状态合并，死路丢掉

语言模型以线性方式进行推理。它们将一个标记接着另一个标记写入到单一的记录中，如果某个步骤出错，它们就会回退到之前的状态，重新尝试。而干扰搜索则通过明确的状态来进行推理。每一个活枝都会同时展开，环境会执行相应的动作；落在相同状态的分支会合并为一条，经过训练的评委会淘汰那些无法达到目标的角色，然后幸存者们会一起逐步前进，每次前进一个层级。

这个名称来源于量子搜索的概念，即错误的路径会相互抵消。而这种方法本身属于经典算法，并不具备量子加速的特性。

Bad Theory Labs 2026 年 9 月放出的方法，Apache-2.0。语言模型一条线写 token，错了就在文本里倒带。Interference Search 对显式状态同时展开：环境执行走法，落到同一状态的支合并，一个约 10 万参数的裁判丢掉到不了目标的支，活着的一起进下一层。名字借自量子搜索里错误路径互相抵消，方法是经典的，不声称量子加速。

试验场是 Countdown：几个数凑一个目标，算术由环境做，难的是选哪两个、用什么运算。30 道四数难题上，Qwen3-1.7B 文本思考 1500 token 解 3 道；同一裁判走单线解 21 道；搜索解满 30 道，平均 3 步。搜索大约 5 毫秒一道，而且不跑语言模型。六个数时 83 万条路径收成 1.3 万个不同状态。代码题上几乎没拉开：MBPP 里模型首猜错的 30 题，搜索 9 道，最好的多次重试 8 道，作者写成噪声。提示里写明哪些已经失败，模型反而更常重试。下一步才是把这套搜索训进模型。

🔗 链接：http://t.cn/AXWaroOZ
📄 论文：http://t.cn/AXWaroOw