让搜索Agent不「傻等」：人大团队依托扩散模型实现「一心二用」，边等搜索结果边思考，加速15%性能不减

背景：传统的搜索Agent基于自回归模型，采用串行执行流程，在等待搜索结果时处于空闲状态，导致整体延迟较高。研究目的：中国人民大学团队提出DLLM-Searcher，旨在利用扩散大语言模型的并行生成能力，实现“一心二用”，让模型在等待搜索结果时继续思考，以提升效率。结论：通过两阶段训练和P-ReAct加速方案，DLLM-Searcher在多个多跳问答基准上达到与自回归搜索Agent相当甚至更好的准确率，同时实现14.77%到22.08%的端到端推理加速，证明了扩散模型在搜索Agent场景中的独特优势。