做强化学习的人熟悉一个心塞场面：一条一万 token 的推理轨迹，前面九千 token 都是对的，引理证了、中间结果算出来了，就因为最后一步走错，整条轨迹被判不及格，扔进回收站。下一条轨迹从零开始，把同样的弯路再走一遍。MCTS 和 Best-of-N 这类测试时计算范式，本质上都是这么花钱的——每次尝试都是一座孤岛，分支一失败，岛上的东西全部沉海。
人不是这么干活儿的。一个研究生失败的实验，会写进实验记录，变成下一届学生的路标；一条被证伪的猜想，省下后来三个月的功夫。10 月 4 日挂上 arXiv 的论文 GitSwarm 想干的就是这件事：让推理计算可以复利。论文给出了一个叫「复合推理」的说法——把测试时计算组织成能够留存、被检查、被延伸、被组合、被挑战的形态。落地的系统叫 GitSwarm，作者名单 14 人，主力是 Meta 超级智能实验室，另有个别作者供职于米拉与蒙特利尔大学、哥伦比亚大学，两位资深作者的工作完成于 Meta，分别挂在卡内基梅隆与普林斯顿名下。预印本，未经同行评审。
把 Git 仓库当共享大脑
GitSwarm 的架构一句话能说完：一群同构的智能体，各自决定怎么推进任务，通过一个共享的、可分支的 Git 仓库协作。没有坐在中间发号施令的编排器——智能体自己读仓库目录树，看到知识缺口就自主发起子任务。中间成果以原子提交的形式落盘：一段证明、一个补丁、一轮单元测试的输出，都是不可变的 commit；跨分支的贡献之间挂着显式的语义依赖边，记录「后来的谁建立在谁的头上」。
选 Git 不是文艺爱好，是占了版本控制语义的便宜：分支等于平行假设，合并等于同行验收后的合流，diff 等于审计轨迹，回滚等于撤销错误贡献。这套语义是人类软件工程磨合了二十年的东西，智能体直接继承，不用重新发明。智能体在仓库里探索、实验、验证、精修、综合，失败分支上的东西也不会消失——它就在那儿，等着被下一轮检索、被质疑、被嫁接。
三张战绩单
读数分三种考场。数学证明基准 IMOProofBench-Advanced 上，GPT-5.5 驱动的 GitSwarm 单轮执行解完全部 30 题。程序基准 ProgramBench 上，同等声明预算下拿到 79.4% 的均分，对论文所载较强基线的 65.1%，差出 14.3 个百分点。还有三项神经架构研究任务——Residual Matrix Transformer、Looped Transformer、NanoChat——智能体从起始架构出发，靠一轮轮实验把架构改得更好，论文称多日 GPU 实验循环里没有出现上下文坍缩和状态失步。
真正该被记住的是那两条累积读数
通过率会骗人，累积读数不会。论文专门测了「计算有没有攒下来」：ProgramBench 上 94.7% 的贡献后来被其他智能体真正接着用；最终选中方案的祖先，覆盖了整张贡献图的 82% 到 93%。这意味着仓库里的大部分工作没有白做——它不是一篇漂亮的演示，而是一个越转越厚的资产池。对按 token 计费的智能体经济来说，这两条数比任何通过率都接近本质：复利才是把推理成本摊薄的正路。
放进台谱里看
近两个月这个赛道在反复回答同一个问题——什么应该留下来。TreeFlex（1924）让挽具维护一棵搜索树，节点是中间状态加短摘要；XferAgent（1918）用双层经验图在智能体之间转交经验，还要剥敏；GitSwarm 的答案更「工程」：留下产物本身和它的依赖关系，复用交给分支与合并。三条路线没有互斥，倒像是分工——TreeFlex 管单智能体的注意力，XferAgent 管跨智能体的隐私边界，GitSwarm 管跨时间的资产积累。
几盆该浇的冷水
首先，30 题单轮全中是前沿模型在特定基准上的表现，论文没有报告多 seed 复跑，运气成分排除不了。其次，同构智能体是个强假设——一群能力相同的智能体借 Git 协调，遇到需要异质分工的任务会怎样，论文没答。再者，94.7% 测的是「被后续构建」，不是「构建得对」；一条被广泛引用的错误引理，照样贡献读数。最后，摘要页没有说明代码发布计划，复现门槛明摆着。这些都不掩盖论文的贡献，但足够让「复合推理」四个字先停在假说一侧——它现在的身份，是一个设计漂亮、证据初步的实验。
对搭智能体基建的团队，这篇论文有一个即刻可用的启示：看看你的系统里，一次失败的尝试除了账单还留下了什么。如果答案是什么都没留下，你买的每一次重试都是全价。