ParallelMuse: Agentisch Parallel Denken voor Diepgaande Informatieverwerving
ParallelMuse: Agentic Parallel Thinking for Deep Information Seeking
October 28, 2025
Auteurs: Baixuan Li, Dingchu Zhang, Jialong Wu, Wenbiao Yin, Zhengwei Tao, Yida Zhao, Liwen Zhang, Haiyang Shen, Runnan Fang, Pengjun Xie, Jingren Zhou, Yong Jiang
cs.AI
Samenvatting
Parallel denken vergroot de verkenningbreedte en complementeert de diepe verkenning van informatiezoekende (IS) agents om het probleemoplossend vermogen verder te verbeteren. Conventioneel parallel denken kampt echter met twee kernuitdagingen in deze setting: inefficiëntie door herhaaldelijk vanaf nul te starten, en moeilijkheden bij het integreren van langetermijnredeneertrajecten tijdens antwoordgeneratie, aangezien beperkte contextcapaciteit een volledige afweging van het redeneerproces verhindert. Om deze problemen aan te pakken, stellen wij ParallelMuse voor, een tweefasenparadigma ontworpen voor diepe IS-agents. De eerste fase, Functionaliteitsspecifieke Gedeeltelijke Uitrol, verdeelt gegenereerde sequenties in functionele regio's en voert onzekerheidsgestuurd padhergebruik en vertakking uit om de verkenningsefficiëntie te verbeteren. De tweede fase, Gecomprimeerde Redeneringsaggregatie, benut redundantie in redenering om informatie relevant voor antwoordafleiding verliesvrij te comprimeren en een coherent eindantwoord te synthetiseren. Experimenten met diverse open-source agents en benchmarks tonen tot 62% prestatieverbetering met 10-30% reductie in verkennend tokenverbruik.
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.