병렬 뮤즈: 심층 정보 탐색을 위한 에이전트 기반 병렬 사고

초록

병렬 사고는 정보 탐색(IS) 에이전트의 심층 탐색을 보완하여 탐색 범위를 확장함으로써 문제 해결 능력을 한층 더 향상시킵니다. 그러나 기존의 병렬 사고 방식은 이러한 환경에서 두 가지 주요 과제에 직면합니다: 처음부터 반복적으로 롤아웃해야 하는 비효율성, 그리고 제한된 컨텍스트 용량으로 인해 답변 생성 과정에서 장기적인 추론 궤적을 통합하기 어렵다는 점입니다. 이러한 문제를 해결하기 위해 우리는 심층 IS 에이전트를 위해 설계된 두 단계 패러다임인 ParallelMuse를 제안합니다. 첫 번째 단계인 '기능별 부분 롤아웃'은 생성된 시퀀스를 기능별 영역으로 분할하고 불확실성 기반 경로 재사용 및 분기를 수행하여 탐색 효율을 높입니다. 두 번째 단계인 '압축 추론 통합'은 추론 과정의 중복성을 활용하여 답변 도출과 관련된 정보를 무손실 압축하고 일관된 최종 답변을 종합합니다. 다양한 오픈소스 에이전트와 벤치마크에서 진행한 실험을 통해 탐색 토큰 사용량을 10-30% 감소시키면서 최대 62%의 성능 향상을 확인했습니다.

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.

병렬 뮤즈: 심층 정보 탐색을 위한 에이전트 기반 병렬 사고

ParallelMuse: Agentic Parallel Thinking for Deep Information Seeking

초록

Support