近日，香港中文大学（深圳）理工学院教授、深圳数据经济研究院（SIDE）可持续金融研究中心联席执行主任赵俊华教授团队联合深圳市人工智能与机器人研究院（AIRS）孵化的初创企业QuantumMind（https://quantum-mind.io/zh/），研发了基于相干光伊辛机（Coherent Ising Machine，CIM）量子计算技术的量子—经典混合大模型架构QART（Quantum-Augmented Reasoning Transformer，量子增强推理Transformer）。团队围绕长程推理中的错误累积问题，开展了架构设计、条件性理论分析和多项基准测试，探索利用专用量子计算硬件辅助大模型完成复杂任务的新技术路径。 基于 GLM-5.3和DeepSeek V4 Flash两款国产模型的QART架构混合模型，在6个基准测试上开展了12组评测，跑分平均相对提升约24.17%，最高提升84.0%。在DeepSWE、Terminal-Bench 4等主流测试上跑分接近GPT 5.6与Opus 4.8等前沿模型。
大语言模型已经能够完成文本生成、代码编写和工具调用，但在需要连续作出多步决策的任务中，早期错误可能影响后续判断，降低整个任务的完成质量。如何让模型在更长的推理过程中保持一致性与可靠性，是大模型走向复杂行业应用需要解决的重要问题。
QART采用模块化协同架构：Transformer语言模型负责理解任务、开展推理和生成回答，基于CIM技术的量子模块则处理任务相关信息，并将优化结果转化为辅助信息，支持模型后续推理与执行。这一架构在功能上兼容来自模型内部隐层表示或模型生成文本的信息，通过量子优化辅助处理复杂决策中的相互依赖关系。
在理论上，研究团队分析了大模型自回归推理中完整路径的可靠性。研究表明，对于存在不可恢复错误的推理过程，如果随着关键决策步骤增加，累计条件错误风险持续增长并趋于无穷，那么保持在可成功完成任务的路径上的概率将趋近于零；当目标被限定为最优路径时，同样的分析可用于最优路径恢复概率。
针对QART，研究团队进一步建立了恢复最优推理路径的条件性概率下界。该结果要求：编码能够覆盖至少一条最优路径，并保持任务目标与优化目标的一致性；问题满足特定谱结构条件；物理求解过程能够在规定时间内到达相应解；读出与解码能够可靠完成。如果这些环节的条件成功概率在推理规模增长时均保持正的统一下界，QART恢复最优路径的概率就可保持在一个不随推理长度趋于零的正数之上。这一结论意味着，QART在推理路径恢复成功概率上，相较经典大语言模型的自回归推理在理论上存在一个不随推理规模增长而消失的渐近优势。
上述理论分析为探索大模型长程推理的潜在“量子扩展法则”（quantum scaling law）提供了全新研究思路。未来，如果随着CIM物理自旋或光学振荡器规模扩大，其在相关任务上的求解质量、时间或资源效率相对于充分优化的经典求解器表现出可验证的量子计算优势，QART就可能为扩展大模型的可靠推理长度提供一条新的技术路径。
在实验方面，团队围绕多轮交互、科研编程和长程软件工程等任务，以DeepSeek V4 Flash和GLM-5.3等主流大语言模型为基础，在玻色量子公司的CIM实机上，比较了其原有经典架构与采用QART量子—经典混合架构时的任务表现。在六项基准、共12组模型与基准组合中，11组取得性能提升，显示了QART架构在不同模型和任务之间的应用潜力（上述成绩来自团队在报告所述智能体环境与评测协议下的配对测试，属于系统层面的测量结果，并非模型厂商官方成绩）。
其中，基于DeepSeek V4 Flash构建的QART混合架构模型在科研编程基准SciCode上的得分由17.36%提高至31.94%，相对提升84.0%；在涉及多步骤银行业务操作的τ³-Bench上，得分由21.65%提高至31.96%，相对提升47.6%；在长程终端任务基准LHTB上，平均奖励得分由0.2642提高至0.3591，相对提升35.9%。GLM-5.3在长程软件工程基准DeepSWE上的得分由54.90%提高至65.40%，增加10.50个百分点。在Terminal-Bench 4.0所测试的63项CPU任务中，两款模型完成的任务数均由9项增加至13项，相对提升44.4%。
在应用方面，QuantumMind公司基于QART架构研发的QuantumMind系列模型，正在电力、金融等行业探索实际落地。这些领域的复杂任务往往涉及多步骤决策、业务规则与数值约束，对推理一致性和执行可靠性提出了较高要求。团队将结合行业场景，持续验证模型的任务完成质量与实际应用价值，推动量子—经典混合AI技术从研究探索走向可验证的行业应用。
从自主创新的角度看，QART探索了国产大模型与国产专用量子计算硬件协同发展的技术路径，有望为提升国产AI的复杂任务处理能力、构建自主可控的人工智能技术体系提供新的支撑。如果这一架构能够在更大规模任务和实际应用中持续验证其性能与资源效率优势，将有助于我国通过计算架构创新，缩小与美国领先AI技术在部分关键能力上的差距，并在量子—经典混合智能这一新兴方向形成具有自主知识产权的技术竞争力。
有关QART架构、理论分析与实验评测的详细内容，可参阅技术报告：https://arxiv.org/abs/2609.16887。
