现有评测无法回答这个问题，传统训练数据也无法培养这种能力（如图所示，模型在长程推理场景下性能下降严重）。 一个软件工程师需要连续调试多个相互依赖的代码模块 一个数学研究者需要基于前序定理推导后续结论 一个智能助手需要在多轮对话中逐步完成复杂任务规划 王嘉宁，获得华东师范大学博士学位，曾前往 UCSD 访问学习，在 ACL、EMNLP、AAAI、ICLR 等顶会发表论文数十篇，目前就职于美团， LongCat Team 核 心成员 ，研究方向为大模型训练与复杂推理。 研究背景：从「单步推理」到「长链决策」 OpenAI o1、DeepSeek-R1 等大型推理模型（LRMs）的出现，标志着 AI 推理能力进入了「测试时扩展」的新纪元。通过长链推理 Long Chain-of-Thought （CoT），这些模型在数学推理、代码生成、智能体任务等领域取得了令人瞩目的突破。 然而，当前的训练与评测范式存在一个根本性的局限：几乎所有主流 Benchmark（如 MATH500、AIME）都聚焦于孤立的单步问题，问题之间相互独立，模型只 需「回答一个问题，然后结束」。但真实世界的推理场景往往截然不同： 这些场景要求模型 ...