henry 发自 凹非寺 量子位 | 公众号 QbitAI Make MCTS Great Again？ 如何在 探索（Explore）未知可能性以寻找更优解和利用（Exploit）当前已知最佳方案之间取得平衡，一直是复杂决策和长程规划任务的核 心挑战之一。 一个过于强调探索的系统可能效率低下，在大量平庸选项中徘徊；而一个过于强调利用的系统则可能过早收敛到局部最优，错过全局最佳解。 一个不起眼的迷宫导航任务，却能让一众模型"原形毕露"。 Diffuser和Diffusion Forcing双双翻车，通关率低得可怜。 唯独有一个模型，通关率高达 100%。 而它就来自图灵奖得主Yoshua Bengio与其团队提出的全新方法： 蒙特卡洛树扩散（Monte Carlo Tree Diffusion, MCTD） 。 这个方法将" 上古时代 "的蒙特卡洛树搜索，和当下热门的扩散模型结合在一起，突破了扩散模型在长程任务推理阶段缺乏可扩展性的瓶颈， 并成功入选ICML 2025的Spotlight。 对于扩散模型来说，它虽然能够通过 去噪过程实现高质量、全局一致的序列生成（对数据分布的"利用"）， 但缺乏在不确定性下主 ...