论文页面 - PARSER：并行阅读，深度推理——面向长上下文LLM智能体

来源：https://huggingface.co/papers/2609.06702
发布于9月6日

·

提交者：https://huggingface.co/inNexus

Kun LI (https://huggingface.co/inNexus) 于9月10日

摘要

PARSER通过分散-聚集子智能体将并行分块阅读与迭代推理解耦，提升了长上下文多跳推理的准确性并降低了延迟。

序列记忆智能体（https://huggingface.co/papers?q=Sequential%20memory%20agents）通过逐个顺序读取文本块并维护紧凑的记忆状态来处理长文档，将文档遍历与推理深度耦合。这种耦合导致对证据位置敏感，并使推理延迟随文档长度线性增长。我们引入PARSER（https://huggingface.co/papers?q=PARSER），将阅读与推理解耦。一组轻量级子智能体（https://huggingface.co/papers?q=subagents）各自绑定单个文本块，并行阅读整个文档；而主导智能体通过迭代的分散-聚集轮次进行深度推理：每轮它向所有子智能体广播查询，聚合返回的证据，并基于当前发现制定更深入的后续查询。这种解耦设计将所有可学习行为集中在主导智能体中，并通过强化学习（https://huggingface.co/papers?q=reinforcement%20learning）进行优化，而子智能体则保持为冻结的现成模型。在上下文长度从7K到896K token的多跳问答（https://huggingface.co/papers?q=multi-hop%20QA）任务中，使用4B骨干模型的PARSER（https://huggingface.co/papers?q=PARSER）平均比最强的序列记忆基线高出5.7分，在896K token时高出12.0分。扩展到9B骨干模型后，PARSER（https://huggingface.co/papers?q=PARSER）比DeepSeek-V4-Pro（https://huggingface.co/papers?q=DeepSeek-V4-Pro）高出6.3分。受控实验证实PARSER（https://huggingface.co/papers?q=PARSER）对证据位置、顺序和距离的扰动具有鲁棒性——这些条件会导致序列方法产生大幅精度波动——同时将推理延迟降低最高达11倍。

查看arXiv页面 (https://arxiv.org/abs/2609.06702) 查看PDF (https://arxiv.org/pdf/2609.06702) 项目页面 (https://cuhk-parser.github.io/) GitHub2 (https://github.com/cuhk-parser/PARSER) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.06702)

在您的智能体中获取此论文：

hf papers read 2609.06702

没有最新CLI？运行以下命令安装：curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型：0

无模型链接此论文

在模型README.md中引用 arxiv.org/abs/2609.06702 以从本页链接。

引用此论文的数据集：0

无数据集链接此论文

在数据集README.md中引用 arxiv.org/abs/2609.06702 以从本页链接。

引用此论文的Spaces：0

无Space链接此论文

在Space README.md中引用 arxiv.org/abs/2609.06702 以从本页链接。

包含此论文的收藏集：0

无收藏集包含此论文

将此论文添加到收藏集 (https://huggingface.co/new-collection) 以从本页链接。