OpenDeepThink：基于Bradley-Terry聚合的并行推理

测试时计算扩展是提升大语言模型（LLM）推理能力的主要途径之一。现有方法主要通过延长单条推理轨迹来扩展深度。通过并行采样多个候选来扩展广度虽然直接，却引入了选择瓶颈：在缺乏真值验证器的情况下选出最佳候选，因为逐点式LLM评判噪声大且有偏差。为解决这一问题，我们提出OpenDeepThink，一种通过成对Bradley-Terry比较进行选择的基于种群的测试时计算框架。在每一代中，LLM对随机的候选对进行评判，并通过Bradley-Terry将投票聚合为全局排名；排名靠前的候选被保留，前四分之三的候选利用比较过程中产生的自然语言评论进行变异，最末四分之一被丢弃。OpenDeepThink在八轮顺序LLM调用（约27分钟实际耗时）内将Gemini 3.1 Pro的有效Codeforces Elo提升+405分。该流程无需重新调参即可迁移到更弱或更强的模型上；在多领域HLE基准上，增益集中在可客观验证的领域，而在主观领域则出现反转。我们发布了CF-73，一个由73道经专家评分的Codeforces题目组成的精选集，附带国际特级大师（International Grandmaster）标注，且本地评估与官方判定的一致率达99%。