AIエージェントのための多様なクエリ初期化手法「DivInit」が提案される

AIエージェントによる複雑な問題解決や探索では、複数の「ロールアウト」（思考パス）を並行して実行し、最適な解を見つける「エージェント探索」が一般的に用いられます。しかし、従来の並列サンプリングでは、最初のステップで生成されるクエリが似通ってしまう傾向があり、結果として異なるロールアウトが類似の情報を取得し、探索の多様性が失われ、性能が頭打ちになるという問題がありました。今回発表された「DivInit」（Diverse Query Initialization）は、この課題を解決するために考案されたトレーニング不要の介入手法です。DivInitでは、単一のモデル呼び出しから多数の候補クエリを生成し、その中から多様性の高いk個のシードを選択します。そして、これら多様なシードを基に並列探索を開始することで、各ロールアウトが異なる視点や情報源から探索を始めることを保証します。このアプローチにより、エージェントは重複する証拠の取得を避け、より広範で効果的な探索空間をカバーできるようになります。実験では、5つのオープンソースモデルを用いてその有効性が検証され、従来の並列サンプリングと比較して大幅な性能向上が示されました。DivInitは、エージェントのロバスト性向上、未知の環境への適応能力強化、そしてより複雑なタスクにおける効率的な探索を実現するための重要な技術的ブレイクスルーであり、今後のAIエージェント開発に広く応用されることが期待されます。