DPT：用路径多样性改进大语言模型并行思考的强化学习方法

针对强化学习驱动的并行思考易出现推理路径模式坍缩、多条轨迹趋同的问题，研究者提出 Diverse Parallel Thinking（DPT），通过惩罚并行思考路径的前缀相似度来奖励模型形成不同推理策略。在多个推理基准上的实验显示，DPT 优于此前的并行思考方法，在基线之上取得 SOTA 表现，并验证路径多样性是提升并行思考的关键要素。代码已公开。