🌍引言：一个语言世界的进化冒险
想象一下，你正站在一个广阔的语言海洋边上，手里握着一张模糊的地图，任务是寻找隐藏在复杂问题中的宝藏。这不是科幻小说，而是大语言模型（LLM）在面对规划难题时的真实写照。在这份参考文献中，作者们提出了一种名为“Mind Evolution”的创新方法，它像一个聪明的探险家，利用进化搜索策略，让LLM在推理时间上投入更多计算资源，从而显著提升问题解决能力。就像达尔文观察加拉帕戈斯群岛上的物种变异一样，这个方法通过生成、重组和精炼候选解决方案，模拟自然选择的过程，帮助模型从浅显的直觉跃升到深刻的洞见。
Mind Evolution的核心在于结合发散性思考（自由探索多种想法）和收敛性思考（评估并选择最佳），这类似于人类智能问题解决的标志性特征。如果不熟悉遗传算法，可以把它比作一个家族聚会：父母（候选解决方案）通过交叉和变异产生后代（新解决方案），而评估函数则像一位挑剔的长辈，确保只有最优秀的才能延续血脉。这种比喻不仅生动，还能帮助我们理解为什么它比简单采样或顺序修正更有效——它同时在广度和深度上发力。
这份文献从一个基本问题出发：如何引导LLM更深入地思考复杂问题？以往的研究探索了各种策略，如思维链、自我一致性、基于反馈的顺序修正，以及由辅助验证器指导的搜索。当有一个解决方案评估器可用时，搜索策略的优势显而易见，因为它能可靠地利用额外计算来提升性能。例如，“Best-of-N”方法通过生成独立候选并评估来广泛搜索，而树搜索则在步骤级评估。但Mind Evolution不同，它是一种遗传搜索策略，在自然语言空间中演化多样化的人口，使用LLM来生成、重组和精炼候选基于评估反馈。这避免了正式化底层推理问题的
