Lateral Tree-of-Thoughts 通过融合逻辑一致、低效用候选者超越 ToT

现代部署越来越多地分配大量测试时计算资源（数千个标记或多个节点扩展）来提高可靠性。在此类预算下，标准的 Tree-of-Thoughts（ToT）风格搜索 exhibits two pathologies：宽度饱和（额外样本大多产生近似重复，因此宽度停止增长）和深度短视（噪声的短期效用修剪其付出看起来在几步后才会出现的分支。我们提出了 Lateral Tree-of-Thoughts（LToT），一个即插即用的控制器，将效用与逻辑一致性分离，并将低效用但一致的候选者视为资产而非浪费。将 frontier 分分为主线（用于 exploitation 的高效用候选者）和 lateral（一致的、初始低效用候选者在判断前接收短暂、廉价的探测）。LToT 通过 Lateral Racing with Short-Circuit（LR--SC）探索 lateral：一个受限的 successive-halving race 在非常宽的 lateral 集合上传播微小探测，使用宽度感知阈值进行重复确认，一旦其 envelope 超过 mainline 门槛即立即提升分支；主线故意保持窄以便在宽度廉价处投入剩余计算。我们证明了 pseudolinear lateral cost $\Theta(N_0 \log_{\eta} N_0)$，其中包含 logarithmically many rungs（初始 lateral 宽度 $N_0$；剔除因子 $\eta>1$），与未受限 mainline 的指数增长相对。经验评估正在准备中，将在未来版本中添加。在简言之，LToT 将大量测试时预算转化为原则性多样性，同时保持提升纪律，减轻饱和和短视，无需膨胀计算。