【第773期】ParSer：大模型智能体的并行阅读与深度推理

今天的这篇的主题是： PARSER: Read in Parallel, Reason in Depth for Long-Context LLM Agents Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。 如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。 联系小助手微信：eccstartup（加群/投稿论文） Summary 顺序记忆智能体（Sequential memory agents）通过逐块读取长文档并维持紧凑的记忆状态来处理文本，这使得文档遍历与推理深度被紧紧耦合在一起。这种耦合不仅导致模型对证据的位置极具敏感性，还将推理延迟与文档长度线性绑定。 为此，我们提出了 PARSER，它实现了“阅读”与“推理”的解耦。系统设立了一组轻量级子智能体，每个子智能体专注于单个文本块，共同并行读取整份文档；与此同时，一个主智能体通过多轮迭代的“散射-聚集”（scatter-gather）过程来进行深度推理：在每一轮中，主智能体向所有子智能体广播查询，聚合返回的证据，并根据目前已发现的内容构建更深层次的后续查询。这种解耦设计将所有可学习的行为集中在主智能体身上，并使用强化学习对主智能体进行优化，而子智能体则保持冻结且无需额外训练（使用现成模型）。 在上下文长度从 7K 到 896K token 不等的多跳问答（Multi-hop QA）测试中，以 4B 模型作为骨干网络（backbone）的 PARSER 比最强的顺序记忆基线平均高出 5.7 分，在 896K token 处高出 12.0 分。当扩展至 9B 骨干网络时，PARSER 超越了 DeepSeek-V4-Pro 6.3 分。对照实验证实，PARSER 对证据的位置、顺序和距离的扰动具有很强的鲁棒性（而这些条件会导致顺序处理方法产生剧烈的准确率波动），同时将推理延迟降低了高达 11 倍。 原文链接：https://arxiv.org/abs/2609.06702 前往小宇宙评论区与主播互动