论文：Vector Policy Optimization: Training for Diversity Improves Test-Time Search作者：Ryan Bahlous-Boldi, Isha Puri, Idan Shenfeld, Akarsh Kumar, Mehul Damani, Sebastian Risi, Omar Khattab, Zhang-Wei Hong, Pulkit AgrawalarXiv: 2605.22817🎭 第一章：优秀学生的困境想象一所精英高中。这里的学生个个成绩优异，考试总是能拿满分。但有一天，学校决定改革——不再出固定答案的选择题，而是举办一场开放式辩论赛。辩题复杂多维，没有唯一正确答案，评委的打分标准也因人而异。结果令人震惊：那些平时考试最优秀的学生，在辩论赛中表现平平。他们习惯于寻找"唯一正确答案"，面对需要多维度权衡的开放问题时，他们的思维变得僵化、单一、缺乏弹性。反而是一些平时成绩中上的学生——他们习惯于从不同角度思考问题——在辩论赛中大放异彩。这不是虚构的故事。这是当前AI领域正在发生的真实困境。大语言模型（LLM）——那些驱动着ChatGPT、Claude、Gemini的庞大神经网络——已经取得了惊人的成就。它们能写诗、能编程、能通过法律考试、能诊断疾病。但一个根本性的转变正在发生：LLM不再是独立部署的组件，而是被嵌入到更大的推理时搜索流程中。AlphaEvolve用进化算法搜索最优代码。Best-of-N采样让模型生成多个
