# Sakana AI's AB-MCTS methods extend inference-time scaling for language models

DevFeed: [Sakana AI's AB-MCTS methods extend inference-time scaling for language models](<https://devfeed.tech/articles/sakana-inference-time-scaling-24023.md>)

Original publisher: [Read original article](<https://habr.com/ru/companies/redmadrobot/articles/933222/>)

Author: redmadrobot (red\_mad\_robot)

Published: 2025-08-01T12:48:06Z

Content type: article

Language: ru

Sources: [Redmadrobot EN](<https://devfeed.tech/sources/redmadrobot-en.md>), [Redmadrobot RU](<https://devfeed.tech/sources/redmadrobot-ru.md>)

Topics: [Inference](<https://devfeed.tech/topics/inference.md>), [Large Language Model](<https://devfeed.tech/topics/llm.md>), [Artificial Intelligence](<https://devfeed.tech/topics/ai.md>)

Tags: [ab-mcts](<https://devfeed.tech/tags/ab-mcts.md>), [ai](<https://devfeed.tech/tags/ai.md>), [inference](<https://devfeed.tech/tags/inference.md>), [llm](<https://devfeed.tech/tags/llm.md>), [monte-carlo-tree-search](<https://devfeed.tech/tags/monte-carlo-tree-search.md>), [reasoning](<https://devfeed.tech/tags/reasoning.md>), [reinforcement-learning](<https://devfeed.tech/tags/reinforcement-learning.md>), [sakana](<https://devfeed.tech/tags/sakana.md>), [thompson-sampling](<https://devfeed.tech/tags/thompson-sampling.md>)

## AI overview

The article examines Sakana AI's Adaptive Branching MCTS (AB-MCTS) and Multi-LLM AB-MCTS methods for improving language-model reasoning during inference. AB-MCTS combines iterative refinement with alternative-solution generation, while the Multi-LLM version uses several language models.

## Source excerpt

Аналитический центр red_mad_robot продолжает разбирать исследования японской лаборатории Sakana AI -- в прошлый раз это была архитектура CTM, вдохновлённая внутренней динамикой человеческого мышления. Теперь -- метод, который помогает языковым моделям мыслить точнее уже на этапе выполнения запроса. В работе представлены два подхода: AB-MCTS и его расширение Multi-LLM AB-MCTS. Первый объединяет два принципа -- уточнение уже готовых ответов и генерацию альтернативных, второй добавляет работу нескольких языковых моделей. Всё это чтобы научить модели "думать" одновременно глубже и шире. Читать далее