在智能搜索的测试时扩展中，通常通过增加深度（即每条轨迹的回合和令牌数）或广度（即更多的并行展开）来实现。本研究关注广度扩展，显示标准的并行采样带来的收益逐渐减少，这归因于第一回合的查询冗余。
当模型在多个展开中发出相似的首个查询时，这些线程会检索到重叠的证据，后续的回合则基于这一共享的检索结果进行条件化。我们提出了DivInit，这是一种在第一回合的无训练干预。
DivInit并不是采样k个独立的首个查询，而是从单次调用中抽取n个候选项，并选择k个。这样的方式避免了查询的重复性，从而提升了搜索的多样性和效率。
博主点评： 本文提出的DivInit方法有效地解决了传统并行采样的局限性，通过多样化的查询初始化来提升智能搜索的性能，为后续的研究提供了新的思路。