论文arxiv cs.AI · 1mo ago重要
Beyond Parallel Sampling: Diverse Query Initialization for Agentic Search
分类释义：学术论文 / 技术报告
TL;DR
提出 DivInit 方法解决并行采样中首轮查询冗余问题，通过从单次调用中采样 n 个候选并选择 k 个多样化种子，使多跳 QA 提升 5-7 个百分点。
关键要点
- 01提出 DivInit 方法解决并行采样中首轮查询冗余问题。
- 02通过从单次调用中采样 n 个候选并选择 k 个多样化种子。
- 03使多跳 QA 提升 5-7 个百分点。
为什么值得关注
构建 Agent 系统时，并行 rollouts 的成本往往没有换来对应收益——DivInit 用零训练成本修复了首轮查询相似度问题。建议在 RAG pipeline 的 query generation 阶段加入候选池和多样化选择逻辑。
对你的工程实践意味着什么
LLM 实时生成MiniMax-M2.7缓存命中
| 角色 | 你应该做什么 |
|---|---|
| Tech Lead | 评估是否将 DivInit 的候选池 + 多样化选择机制纳入 agent 框架设计规范 |
| 应用工程师 | 在 RAG pipeline 的 query generation 阶段实现候选采样和 k-多样化选择逻辑 |
| 运维 / 平台 | 暂无直接影响，了解即可 |
| 产品 / 业务 | 暂无直接影响，了解即可 |
同类资讯
本页 TL;DR 与「为什么」由 LLM 生成 · 模型：MiniMax-M2.7 / Claude Haiku 4.5