LEAD：打破长程推理中的无恢复瓶颈

在大型语言模型（LLM）中，尽管提供高层策略，长程执行仍然不够稳定。我们在受控的算法谜题上进行评估，表明分解对于稳定性至关重要，但极端分解会导致“无恢复瓶颈”。我们指出，这一瓶颈源于高度非均匀的误差分布，其中对少数“困难”步骤的持续误差会变得不可逆。为解决此问题，我们提出了前瞻增强原子分解方法（Lookahead-Enhanced Atomic Decomposition, LEAD）。通过引入短程未来验证并聚合重叠的 rollout，LEAD 在保持稳定性的同时，保留足够的局部上下文以纠正错误。这使 o4-mini 模型能够解决跳棋问题，复杂度达到 $n=13$，而极端分解在 $n=11$ 以上时会失败。