FLEET：在奖励最大化任务中用记忆增强搜索替代重复采样

FLEET 是一种增强 Best-of-N 生成的算法，它将外部奖励归因到具体 token，并利用 MCTS 在下一轮调整 logits。在 Llama 3.2 3B 上的测试显示，GSM8K 上以一半迭代次数达到采样基线；LiveCodeBench v6 easy split 在同等预算下分数从 0.59 提升至 0.69，仅用 9 次迭代对 32 次。