扮演通灵者：利用思维树预测推理模型在编码任务上的准确性

近期大语言模型研究表明，测试时扩展能显著提升复杂任务（尤其是编码领域）的性能。然而，现有评估多依赖竞赛基准，难以全面反映推理能力。本文系统研究了前沿推理模型在真实世界编码基准上的表现，并提出一种从现有基准自动生成任意难度和结构编码任务的方法。分析发现，推理轨迹的结构而非仅是内容，是预测正确性的强指标。据此，我们提出结构化“思维树”来表示推理轨迹，并训练轻量级分类器预测其正确性。实验表明，基于提取特征标记并重试结构异常的轨迹，能在较低复杂度下获得一致的性能提升。