LEAD：打破长程推理中的无恢复瓶颈

即使提供了高层策略，大型语言模型（LLM）的长程执行仍然不稳定。在受控算法谜题上的评估表明，虽然分解对稳定性至关重要，但极端分解会造成"无恢复瓶颈"。我们表明，由于高度不均匀的误差分布——少数"困难"步骤上的一致性错误变得不可逆——这一瓶颈变得至关重要。为此，我们提出Lookahead-Enhanced Atomic Decomposition（LEAD）。通过引入短程未来验证并聚合重叠的rollout，LEAD提供足够的隔离以维持稳定性，同时保留足够的局部上下文以纠正错误。这使o4-mini模型能够解决复杂度高达n=13的Checkers Jumping，而极端分解在n=11之外即告失败。