多分享，少搜索：面向高效测试时扩展的协作式并行思维

测试时扩展（TTS）通过分配额外推理算力探索解空间以增强大语言模型推理能力。然而，现有并行 TTS 方法通常保持分支隔离，导致中间发现无法及时引导其他分支，造成大量冗余探索。为此，本文提出协作式并行思维（CPT），这是一种无需训练的推理框架，旨在实现并行分支间的搜索时信息共享。CPT 提取紧凑的中间信息，维护去重的查询级信息池，并通过输入上下文广播，使各分支能复用他人发现而非重复探索。实验表明，CPT 在不同预算和模型规模下均建立了更优的准确率 - 延迟帕累托前沿。