在人工智能领域，一场关于科学推理能力的突破性研究引发关注。由多所顶尖高校与科研机构联合开展的实验显示，当前最先进的商业AI模型在处理复杂科学问题时仍存在显著局限，但通过创新性的系统设计，研究者找到了突破瓶颈的新路径。
实验以涵盖天文学、化学、地球科学等九大学科的240道科学推理题为测试基准，发现即便是综合性能最强的谷歌Gemini-3-Pro模型，准确率也仅为52.92%。更值得关注的是，不同模型在细分领域呈现明显差异：Claude-Sonnet-4.5在天文学题目中表现突出，而Gemini-3-Pro则在生命科学领域占据优势。这种"偏科"现象促使研究团队探索新的解决方案——当三个顶级模型的正确答案合并时，测试集覆盖率跃升至74%，若整合所有参评模型则达到89%。这一发现颠覆了传统认知：提升AI科学推理能力的关键或许不在于单个模型的强化，而在于构建智能协作体系。
针对现有协作方法的缺陷，研究团队提出名为SciOrch的调度框架。该系统采用80亿参数的视觉语言模型作为"总指挥"，其核心任务并非直接解题，而是将复杂问题拆解为计算、推理、视觉解析等子任务，并动态匹配最合适的专家模型。实验中使用的模型池包含16个商业API接口，涵盖GPT-5.4、Claude-Sonnet-4.5等旗舰级模型，以及Gemini-3-Flash等轻量级模型。这种分层调度策略使系统能在精度与成本间取得平衡——在240道题的测试中，SciOrch以10.42美元的API花费实现56.66%的综合准确率，不仅超越所有单一模型，成本还较传统方法降低超过50%。
训练阶段的创新同样引人注目。由于每次模型调用都涉及真实费用，传统强化学习方法在此场景下成本高昂。研究团队引入蒙特卡洛树搜索技术，通过构建决策树实现样本共享：从根节点出发的公共路径只需计算一次，后续分支可并行探索。这种设计使单棵树能生成数十个有效训练样本，配合三阶段优化策略——初始阶段的多样化探索、中期的信号聚焦扩展、末期的无效分支剪裁，最终形成高效的训练范式。实验数据显示，节点级训练方式较路径级训练的稳定性提升37%，有效解决了训练信号冲突问题。
数据集构建过程体现了严谨的学术态度。研究团队从SGI-Reasoning和SFE两个数据源筛选题目，通过五轮模型预测试排除标注错误和歧义题目，最终形成包含240道题的测试集。特别值得注意的是提示词工程的设计：总指挥模型被明确要求仅作为路由决策者，其回答需满足三个条件——关键事实必须有委托回复支撑、高置信度答案需独立验证、必须排除潜在反例。这种机制有效遏制了AI系统常见的"过度自信"问题，专家模型则被要求聚焦子问题解答并给出局部置信度，避免被总指挥的推理方向误导。
尽管取得突破性进展，研究团队坦言当前系统仍存在局限。测试集规模相对较小导致学科级统计可靠性不足，且系统目前仅支持多项选择题格式。不过，这项研究为AI发展提供了新思路：在OpenAI GPT-5.4等超级模型日益强大的背景下，通过智能调度实现"1+1>2"的协同效应，或许将成为突破性能瓶颈的重要方向。该研究的完整论文及开源代码已通过arXiv平台公开，编号为2606.15872。
