DivInit : diversifier les requêtes de l'IA

Des chercheurs d'ArXiv pointent un problème fondamental du scaling par largeur dans la recherche agentic : quand on lance plusieurs trajectoires en parallèle, les modèles posent des questions similaires au premier tour, ce qui crée une redondance d'évidence récupérée. Le résultat ? Des rendements décroissants malgré plus de calcul. DivInit, une technique sans entraînement, force la diversité dès le départ en échantillonnant d'abord n candidats de requête, puis en sélectionnant k graines distinctes à partir de cet ensemble unique. Les essais sur cinq modèles open-weight montrent que cette approche réduit la redondance et améliore l'efficacité globale de la recherche parallèle. C'est le genre d'observation qui change la façon dont on optimise l'inférence : moins de requêtes redondantes, plus de signal utile.

-- glossaire