パラレルミューズ：深層情報探索のためのエージェント的並列思考

要旨

並列思考は探索の幅を拡大し、情報探索型エージェントの深い探索を補完することで、問題解決能力をさらに強化する。しかし、従来の並列思考はこの設定において二つの課題に直面する：最初から繰り返し実行することによる非効率性と、回答生成時の長期的な推論軌道の統合の難しさである。これは限られた文脈容量が推論プロセスの完全な考慮を妨げるためである。これらの課題に対処するため、我々は深層情報探索エージェント向けの二段階パラダイム「ParallelMuse」を提案する。第一段階である「機能指定部分ロールアウト」は、生成された系列を機能領域に分割し、不確実性誘導型の経路再利用と分岐を行い探索効率を向上させる。第二段階の「圧縮推論集約」は、推論の冗長性を活用して回答導出に関連する情報を損失なく圧縮し、首尾一貫した最終回答を統合する。複数のオープンソースエージェントとベンチマークによる実験では、探索的なトークン消費量を10～30%削減しながら、最大62%の性能向上を実証した。

English

Parallel thinking expands exploration breadth, complementing the deep exploration of information-seeking (IS) agents to further enhance problem-solving capability. However, conventional parallel thinking faces two key challenges in this setting: inefficiency from repeatedly rolling out from scratch, and difficulty in integrating long-horizon reasoning trajectories during answer generation, as limited context capacity prevents full consideration of the reasoning process. To address these issues, we propose ParallelMuse, a two-stage paradigm designed for deep IS agents. The first stage, Functionality-Specified Partial Rollout, partitions generated sequences into functional regions and performs uncertainty-guided path reuse and branching to enhance exploration efficiency. The second stage, Compressed Reasoning Aggregation, exploits reasoning redundancy to losslessly compress information relevant to answer derivation and synthesize a coherent final answer. Experiments across multiple open-source agents and benchmarks demonstrate up to 62% performance improvement with a 10--30% reduction in exploratory token consumption.

パラレルミューズ：深層情報探索のためのエージェント的並列思考

ParallelMuse: Agentic Parallel Thinking for Deep Information Seeking

要旨

Support