摘要
智能体搜索的测试时扩展通常增加深度或广度。本文聚焦广度扩展，指出标准并行采样因首轮查询冗余导致收益递减。为此，作者提出 DivInit，一种无需训练的首轮干预方法：从单次调用中抽取多个候选查询，筛选出多样化的种子作为并行轨迹起点。在五个开源模型和八个基准测试中，DivInit 在同等算力下显著优于标准并行采样，多跳问答任务平均提升 5 至 7 分。
AI 推荐理由
论文聚焦智能体搜索的广度扩展与初始查询规划，提出多样化初始化策略以优化多步轨迹。
研究机构
Carnegie Mellon University, United States
Instituto Superior Técnico and INESC-ID, University of Lisbon, Portugal
NOVA LINCS, NOVA School of Science and Technology, Portugal
论文信息