微软和佐治亚理工学院、华东师范大学合作开发了该算法，整合了强化学习（reinforcement learning）和蒙特卡洛树搜索 （MCTS） 能力，在复杂决策环境中，进一步提高解决问题的有效性。

IT之家注：微软研究团队表示 XOT 方法可以让语言模型扩展到不熟悉的问题上，在 Game of 24、8-Puzzle 和 Pocket Cube 严苛测试中提升明显。结果表明，XOT 明显优于其他方法，甚至解决了其他方法失败的问题。但是，XOT 并没有达到 100% 的可靠性。

XOT 框架包括以下关键步骤:

• 预训练阶段：MCTS 模块在特定任务上进行预训练，以学习有关有效思维搜索的领域知识。轻量级策略和价值网络指导搜索。思想搜索: 在推理过程中，预训练的 MCTS 模块使用策略 / 价值网络来有效地探索和生成 LLM 的思想轨迹。
• 思想修正：LLM 审查 MCTS 的思想并识别任何错误。修正的想法是通过额外的 MCTS 模拟产生的。
• LLM 推理: 将修改后的想法提供给 LLM 解决问题的最终提示。

IT之家在此附上论文 [PDF] 地址，感兴趣的用户可以深入阅读。