Flash-Searcher: Schnelle und effektive Web-Agenten durch DAG-basierte parallele Ausführung

Flash-Searcher: Fast and Effective Web Agents via DAG-Based Parallel Execution

September 29, 2025

papers.authors: Tianrui Qin, Qianben Chen, Sinuo Wang, He Xing, King Zhu, He Zhu, Dingfeng Shi, Xinxin Liu, Ge Zhang, Jiaheng Liu, Yuchen Eleanor Jiang, Xitong Gao, Wangchunshu Zhou

cs.AI

papers.abstract

Große Sprachmodelle (LLMs) haben bemerkenswerte Fähigkeiten bei komplexen Denkaufgaben gezeigt, wenn sie mit externen Werkzeugen ausgestattet sind. Allerdings basieren aktuelle Frameworks überwiegend auf sequenzieller Verarbeitung, was zu ineffizienter Ausführung führt, insbesondere bei Aufgaben, die umfangreiche Werkzeuginteraktionen erfordern. Dieses Paper stellt Flash-Searcher vor, ein neuartiges paralleles Agenten-Reasoning-Framework, das das Ausführungsparadigma grundlegend von sequenziellen Ketten zu gerichteten azyklischen Graphen (DAGs) umgestaltet. Flash-Searcher zerlegt komplexe Aufgaben in Unteraufgaben mit expliziten Abhängigkeiten, wodurch die gleichzeitige Ausführung unabhängiger Denkpfade bei gleichzeitiger Wahrung logischer Einschränkungen ermöglicht wird. Durch dynamische Workflow-Optimierung verfeinert unser Framework kontinuierlich den Ausführungsgraphen basierend auf Zwischenergebnissen und integriert effektiv ein Zusammenfassungsmodul. Umfassende Bewertungen über mehrere Benchmarks hinweg zeigen, dass Flash-Searcher bestehende Ansätze durchweg übertrifft. Insbesondere erreicht es eine Genauigkeit von 67,7 % auf BrowseComp und 83 % auf xbench-DeepSearch, während es die Ausführungsschritte des Agenten im Vergleich zu aktuellen Frameworks um bis zu 35 % reduziert. Darüber hinaus beobachten wir, wenn diese parallele Reasoning-Pipeline in einzelne Modelle destilliert wird, erhebliche Leistungssteigerungen über diverse Backbone-Architekturen hinweg, was die Generalisierbarkeit unserer Methodik unterstreicht. Unsere Arbeit stellt somit einen bedeutenden Fortschritt im Design von Agentenarchitekturen dar und bietet ein skalierbareres und effizienteres Paradigma für komplexe Denkaufgaben.

English

Large language models (LLMs) have demonstrated remarkable capabilities in complex reasoning tasks when equipped with external tools. However, current frameworks predominantly rely on sequential processing, leading to inefficient execution particularly for tasks requiring extensive tool interaction. This paper introduces Flash-Searcher, a novel parallel agent reasoning framework that fundamentally reimagines the execution paradigm from sequential chains to directed acyclic graphs (DAGs). Flash-Searcher decomposes complex tasks into subtasks with explicit dependencies, enabling concurrent execution of independent reasoning paths while maintaining logical constraints. Through dynamic workflow optimization, our framework continuously refines the execution graph based on intermediate results, effectively integrating summary module. Comprehensive evaluations across multiple benchmarks demonstrate that Flash-Searcher consistently outperforms existing approaches. Specifically, it achieves 67.7% accuracy on BrowseComp and 83% on xbench-DeepSearch, while reducing agent execution steps by up to 35% compared to current frameworks. Furthermore, when distilling this parallel reasoning pipeline into single models, we observe substantial performance gains across diverse backbone architectures, underscoring the generalizability of our methodology. Our work thus represents a significant advance in agent architecture design, offering a more scalable and efficient paradigm for complex reasoning tasks.