Xiaohongshu（小红书）

Share More, Search Less: Collaborative Parallel Thinking for Efficient Test-Time Scaling

分享更多，搜索更少：面向高效测试时间扩展的协作并行思考

Xinglin Wang, Hao Lin, Shaoxiong Feng, Peiwen Yuan, Yiwei Li, Jiayi Shi, Yueqi Zhang, Chuyi Tan, Ji Zhang, Boyuan Pan, Yao Hu, Kan Li

机构 * School of Computer Science, Beijing Institute of Technology（北京理工大学计算机学院） ； Xiaohongshu Inc（小红书公司） 纠错

AI总结 提出一种无需训练的协作并行思考框架，通过在并行分支间共享搜索信息来减少冗余探索，从而在测试时间扩展中实现更优的准确率-延迟帕累托边界。

Comments Preprint

Tournament-GRPO: Group-Wise Tournament Rewards for Reinforcement Learning in Open-Ended Long-Form Generation

Tournament-GRPO：面向开放式长文本生成强化学习的群组锦标赛奖励

Zixuan Yang, Yiqun Chen, Wei Yang, Erhan Zhang, Zihan Shen, Xiaochi Wei, Yan Gao, Yi Wu, Yao Hu, Jiaxin Mao

机构 * Renmin University of China（中国人民大学） ； University of Southern California（南加州大学） ； Zhejiang University（浙江大学） ； Xiaohongshu Inc.（小红书公司） 纠错

AI总结 针对开放式长文本生成中缺乏可靠参考答案和自动评估指标的问题，提出Tournament-GRPO框架，通过同一查询生成结果间的多轮锦标赛比较将基于规则的LLM评判转化为相对奖励，在Deep Research Bench上取得4.52分提升。

UnityMAS-O: A General RL Optimization Framework for LLM-Based Multi-Agent Systems

UnityMAS-O: 基于LLM的多智能体系统的通用强化学习优化框架

Yiqun Chen, Wei Yang, Erhan Zhang, Shijie Wang, Qi Liu, Zechun Niu, Bin Zhang, Haitao Li, Rui Li, Lingyong Yan, Jinyuan Feng, Biqing Qi, Xiaochi Wei, Yan Gao, Yi Wu, Yao Hu, Jiaxin Mao

机构 * Renmin University of China（中国人民大学） ； Xiaohongshu Inc.（小红书公司） 纠错

AI总结 提出UnityMAS-O框架，将多智能体工作流作为优化单元，通过逻辑角色、图轨迹、用户定义奖励和智能体-模型映射四个核心对象解耦逻辑与物理参数，支持灵活的参数共享和奖励分配，在检索增强问答、迭代搜索和反思代码生成任务上验证了多智能体RL对手动工作流的提升效果。

Diff-Instruct with Diffused Reward: Towards Principled One-step Generator RL

Diff-Instruct with Diffused Reward: 迈向有原则的一步生成器强化学习

Junyi Wu, Weijian Luo, Haoyang Zheng, Ruizhe Zhang, Guang Lin

机构 * Purdue University（普渡大学） ； hi-lab, Xiaohongshu Inc.（小红书实验室，小红书公司） 纠错

AI总结 针对一步生成器强化学习中奖励优化与生成动力学不匹配的问题，提出基于积分KL最小化的无数据轨迹级对齐框架DIDR，通过扩散奖励分数和代理估计器实现奖励驱动的校正，在一步SDXL和6B DiT骨干网络上取得帕累托优势。

Comments author list correction