近年來，大語言模型在「寫得長、寫得順」這件事上進步飛快。但當任務(wù)升級到真正復(fù)雜的推理場景 —— 需要兵分多路探索、需要自我反思與相互印證、需要在多條線索之間做匯總與取舍時，傳統(tǒng)的鏈式思維（Chain-of-Thought）往往就開始「吃力」：容易被早期判斷帶偏、發(fā)散不足、自我糾錯弱，而且順序生成的效率天然受限。

北京通用人工智能研究院（BIGAI）語言交互實驗室（NLCo）最新工作Native Parallel Reasoner（NPR，原生并行推理器），瞄準的正是這類瓶頸：

讓智能體在一次思考中同時衍生并維護多條候選推理路徑，并在關(guān)鍵節(jié)點「分支 + 聚合」，最終像拼圖一樣匯總線索，合成最優(yōu)解。

更重要的是，NPR 的突破點不只是「并行生成的工程技巧」，而是提出了一套「自蒸餾 + 并行強化學(xué)習(xí)」三階段訓(xùn)練范式，并配套專門的并行推理引擎，目標是讓并行推理從外掛變?yōu)槟Ｐ偷脑J知能力。

• 論文標題：Native Parallel Reasoner: Reasoning in Parallelism via Self-Distilled Reinforcement Learning
• 論文連接：https://arxiv.org/pdf/2512.07461
• 展示頁面：https://bigai-nlco.github.io/Native-Parallel-Reasoner
• 
  

人們對語言智能體（Language Agent）的研究已經(jīng)把關(guān)注從「單一思維鏈擴展」推廣到了「多步深度推理」。模型能夠進行更深層次的推理令人興奮，但未來的超級智能真正需要的，是能更廣泛地并行探索多條可能思考路徑—— 也就是在一次推理過程中同時嘗試多種解法，然后再把結(jié)果合并校驗。類似 MapReduce 的分而治之思路對進一步擴展智能體的測試時計算的能力邊界至關(guān)重要，但想把它天然地整合進一個智能體中，存在巨大的挑戰(zhàn)。

1. 算法與架構(gòu)不匹配

現(xiàn)有推理引擎和 RL 算法很難原生地支持「分支 + 聚合」操作。推理引擎通常無法有效調(diào)度并行分支；常用的 RL 技術(shù)又會截斷或削弱那些觸發(fā)并行結(jié)構(gòu)的特殊詞元的梯度，阻礙模型學(xué)習(xí)嚴格的并行控制邏輯。

2. 低效的手工并行機制

早期把并行思路內(nèi)化的嘗試多依賴于手工設(shè)計的分治規(guī)則，無法充分復(fù)用共享的 KV Cache 狀態(tài)，導(dǎo)致每個分支重復(fù)計算，時間復(fù)雜度退化到線性 O (N)，難以滿足實時或大規(guī)模部署的效率要求。

3. 對強監(jiān)督蒸餾的依賴

像 Multiverse 這類方法雖能實現(xiàn)并行，但高度依賴于強教師模型蒸餾出的示例，無法通過自舉的方式擴展自身的智能邊界。學(xué)生模型不過是在模仿教師的串行拓撲并把它「塞入」并行格式，結(jié)果是把教師的局限也一并繼承，短時間內(nèi)難以產(chǎn)生新的、模型本身固有的并行策略 —— 達到了目前的「智能瓶頸」。

背景與痛點：為什么我們迫切需要并行推理？

人們對智能體的期待，正在從「能多想一步」的單一思維鏈，升級到「能多維思考」的深度推理。未來更強的智能體，必須具備廣泛探索多條思考路徑的能力 —— 這很像經(jīng)典的 MapReduce 思想：把復(fù)雜問題拆開并行處理，再聚合結(jié)果完成全局最優(yōu)的決策。

但要讓模型真正學(xué)會這種「分身術(shù)」，現(xiàn)實里往往卡在三座大山：

1）并行思考數(shù)據(jù)極難獲得：對強教師蒸餾的過度依賴

現(xiàn)有不少并行推理工作需要強教師模型提供高質(zhì)量并行軌跡（如 Multiverse [4] 類方法）。問題在于學(xué)生模型更多是在模仿教師的串行拓撲再「塞進并行格式」，結(jié)果是把教師的局限一并繼承，難以自舉式擴展智能邊界，很難真正涌現(xiàn)出「模型自身固有的并行策略」，形成新的智能瓶頸。

2）低效的手工并行機制：分支之間難共享、重復(fù)計算嚴重

早期模型并行常依賴手工設(shè)計的分治規(guī)則：每條路徑按既定模式推理或生成。由于缺乏對共享步驟的有效復(fù)用，常常出現(xiàn)每個分支都重復(fù)計算公共前綴的情況，效率很難滿足實時推理和大規(guī)模部署需求。

3）基礎(chǔ)設(shè)施與算法對并行架構(gòu)支持不足：分支 + 聚合「學(xué)不會」

現(xiàn)有推理引擎、強化學(xué)習(xí)算法對「分支 — 聚合」結(jié)構(gòu)往往缺乏原生支持：推理引擎難以高效調(diào)度并行分支；常用 RL 技術(shù)可能會截斷或削弱觸發(fā)并行結(jié)構(gòu)的特殊控制詞元梯度，從而阻礙模型學(xué)習(xí)嚴格的并行控制邏輯。

NPR 的核心理念：把「并行性」升維成模型的原生能力

NPR 的關(guān)鍵詞在「原生」二字：研究團隊試圖在零外部監(jiān)督（不依賴強教師并行軌跡）的條件下，探索一條讓模型自我進化出并行推理能力的路徑。

整體思路是一個漸進式的三階段訓(xùn)練范式，讓模型從「會用并行格式寫出來」，逐步過渡到「計算圖層面真的并行執(zhí)行」。

三階段訓(xùn)練范式：從「并行外形」到「并行大腦」

階段一：并行格式學(xué)習(xí) —— 先學(xué)會「怎么寫成并行」

第一步不追求一步到位「真的并行」，而是讓模型先掌握并行推理的表達結(jié)構(gòu)：如何標記分支、如何組織多條候選路徑、如何定義聚合點。

階段二：自蒸餾 —— 內(nèi)化「并行思考邏輯」，擺脫外部老師

在具備并行表達能力后，NPR 用自蒸餾方式讓模型用自己的生成結(jié)果反過來訓(xùn)練自己：通過篩選與沉淀，讓模型逐步內(nèi)化「多分支探索 — 相互印證 — 匯總收斂」 的推理規(guī)律，而不是照搬教師的串行偏好與局限。

階段三：并行感知強化學(xué)習(xí) —— 從「模仿并行」邁向「執(zhí)行并行」

最后一步是關(guān)鍵躍遷：利用并行感知的強化學(xué)習(xí)，讓模型學(xué)到什么時候該分叉、分叉多少、如何在聚合點進行比較與合并，使并行不再停留在文本表面，而是真正成為推理過程可執(zhí)行的控制邏輯。

這一步把「并行性」從工程技巧，推進到模型的原生能力層面。

如下圖所示，經(jīng)過三個階段的訓(xùn)練，NPR 準確率從約 17% 持續(xù)爬升，最終達到 50.4%（中間兩條學(xué)習(xí)曲線分別對應(yīng)第一階段的格式學(xué)習(xí)與第三階段的并行強化學(xué)習(xí)）；與傳統(tǒng)推理方式相比，NPR 實現(xiàn)了約 4.6 倍生成加速（右側(cè)柱狀圖）。

NPR 具體實現(xiàn)細節(jié)

NPR 訓(xùn)練范式

Stage 1：Format-following Reinforcement Learning（NPR-ZERO）

• 目標：在無任何外部并行示例 / 教師情況下，讓模型學(xué)會生成結(jié)構(gòu)化的并行格式（如
• 等結(jié)構(gòu)化標簽），并盡量保證答案正確性。
• 方法：以格式合規(guī)與答案正確為獎勵信號，對初始指令微調(diào)模型進行 DAPO 風(fēng)格的強化學(xué)習(xí)，從而得到能產(chǎn)出并行格式軌跡的生成器（NPR-ZERO）。這一步為后續(xù)自蒸餾提供原始候選軌跡。
• 
  

Stage 2：Rejection Sampling + Parallel Warmup（NPR-BETA）

• 目標：把 Stage 1 的 “格式化產(chǎn)物” 變?yōu)楦哔|(zhì)量的訓(xùn)練數(shù)據(jù)并讓模型在并行語義上穩(wěn)定。
• 方法：對 NPR-ZERO 進行拒絕采樣并應(yīng)用嚴格的篩選器（必須同時滿足「格式合規(guī)」與「答案正確」），保留自蒸餾的并行推理軌跡，然后在此之上做冷啟動的并行 SFT 預(yù)熱微調(diào)，同時引入并行注意力掩碼（Parallel Attention Mask）與并行位置編碼（Parallel Positional Encoding），讓模型內(nèi)部能夠支持并行分支的獨立計算（并實現(xiàn) KV Cache 重用以避免重復(fù)計算）。
• 
  

Stage 3：Native-Parallel RL（PAPO）

• 目標：在并行執(zhí)行引擎上用強化學(xué)習(xí)直接優(yōu)化并行分支策略，使其不僅會「寫」并行格式，也會「算」并行結(jié)果。
• 方法：提出并實現(xiàn)Parallel-Aware Policy Optimization (PAPO)—— 對并行語義做專門修改的策略優(yōu)化方法：使用并行 Rollout 的 NPR-Engine 推理引擎以保證結(jié)構(gòu)正確性、在批次層級進行優(yōu)勢歸一化、保留特殊結(jié)構(gòu)化 Token 的梯度并放棄重要性采樣以維持穩(wěn)定的 On-Policy 同策略梯度更新。PAPO 能直接在并行計算圖內(nèi)優(yōu)化分支策略，從不斷地試錯中學(xué)會有效的問題拆解與合并策略。

關(guān)鍵技術(shù)細節(jié)

1. 自蒸餾與嚴格篩選（Rejection Sampling）

從 NPR-ZERO 生成大量并行格式的候選軌跡后，采用兩條硬性篩選規(guī)則只保留高質(zhì)量樣本進入 D_accept：

• Outcome Correctness：模型生成的候選軌跡的解析答案與 Ground Truth 一致。
• Structured Parallelism：輸出嚴格遵循并行格式的 Schema（標簽、塊邊界等）。

當且僅當同時滿足以上兩條規(guī)則的采樣軌跡被接受用于冷啟動并行 SFT（NPR-BETA），此策略顯著減少噪聲并保證訓(xùn)練語料的并行性與可學(xué)習(xí)性。

2. 并行注意力掩碼與并行位置編碼

為在單次前向傳遞中同時存在多條 Reasoning Path，NPR 采用 Multiverse 風(fēng)格的并行注意力掩碼與專門設(shè)計的并行位置編碼（對應(yīng)論文給出的 Algorithm 2 偽代碼），保證不同分支互相隔離但共享上下文 KV Cache，從而實現(xiàn)KV Cache 重用并避免每條分支重復(fù)計算上下文代價。該編碼亦允許通過標簽 Token 標明分支 / 步驟 / 指南塊，便于引擎解析。

3. Parallel-Aware Policy Optimization（PAPO）

并行語義下直接套用經(jīng)典 PPO 或 DAPO 會遇到特殊 Token 被剪裁掉、重要性采樣不穩(wěn)定等問題。PAPO 的主要設(shè)計包括：

• 并行 Rollout：使用 NPR-Engine 產(chǎn)生嚴格遵守并行 Schema 的軌跡，保證樣本合法。
• 結(jié)構(gòu)化過濾：格式違規(guī)樣本在進入優(yōu)化前被剔除，獎勵退化為純準確性（+1 / ?1）。
• 批次級優(yōu)勢歸一化（Batch-level Normalization）：由于格式違規(guī)樣本被移除，組內(nèi)方差塌縮，因此用更大范圍（batch 內(nèi)多組）統(tǒng)計標準差來穩(wěn)定優(yōu)勢估計。
• 保留特殊 Token 的梯度 & 放棄重要性采樣：為防止觸發(fā)并行結(jié)構(gòu)的特殊標簽被裁剪掉，PAPO 在 Token 級別保留梯度流；同時放棄重要性采樣，采用嚴格的 On-policy Objective，避免重采樣比帶來的不穩(wěn)定。

4. AI Infra 工程化改進：NPR-Engine

實驗證明：把并行語義放到生產(chǎn)環(huán)境的并行 RL，會暴露出大量的工程問題（KV Cache 重復(fù)釋放導(dǎo)致的內(nèi)存泄漏、并行 Token 計數(shù)導(dǎo)致的超長生成、非法并行 schema 導(dǎo)致的未定義狀態(tài)等）。論文在引擎層面做了幾項關(guān)鍵修復(fù)：

• 預(yù)算感知的 KV 回收：避免 Radix-Tree KV 路徑的 Opportunistic Recycling 導(dǎo)致 Double-Free，引入預(yù)算感知的確定性回收機制與 Memory Flush 策略。
• 分支感知的 Token 累積策略：把全局 Token 預(yù)算從 “只看最長分支” 改為 “按活躍分支因子累計”，避免超出 max_new_tokens。
• 格式預(yù)檢與輕量不變性：在分支展開前加一層格式合法性檢查，快速拒絕潛在非法分支以保證 Determinism。

這些工程改進和實現(xiàn)是確保能穩(wěn)定 Parallel RL 的訓(xùn)練，進而獲得并行思考智能體的前提。

主要實驗與結(jié)論

評測基準與度量

在 8 個推理型基準上評測：AIME24/25、HMMT25、OlympiadBench、Minerva-Math、ZebraLogic、AMC23、MATH500 等。對小規(guī)模競賽類數(shù)據(jù)使用 avg@8（采樣 8 條解答的平均正確率），對大規(guī)?；騿未鹪O(shè)置使用 avg@1。

訓(xùn)練數(shù)據(jù)優(yōu)勢：性能提升的關(guān)鍵在于用自行提煉的數(shù)據(jù)集（NPR-BETA 的 ORZ-8k）替換了 Multiverse 的訓(xùn)練語料庫（MV-4B 的 s1.1-8k）。盡管兩個流程在實現(xiàn)細節(jié)上略有不同，但都依賴于并行式的 SFT，因此比較結(jié)果具有意義。數(shù)據(jù)替換的影響清晰且一致：AIME24 的性能從 46.7 提升至 50.8（+4.1），ZebraLogic 從 60.2 提升至 76.1（+15.9），AMC23 從 75.0 提升至 85.9（+10.9），MATH500 從 81.6 提升至 91.6（+10.0）。總體而言，平均得分從 50.1 提升至 59.0（+8.9）。

并行 SFT 的優(yōu)勢：從順序 SFT（例如 SR-BETA）切換到并行 SFT 方法（NPR-BETA）能夠顯著提升各種推理基準測試的性能。順序 SFT 引入了較強的步驟依賴性先驗，限制了任務(wù)分解的靈活性。相比之下，并行 SFT 在訓(xùn)練過程中使模型能夠接觸到結(jié)構(gòu)上并行的軌跡，從而實現(xiàn)更獨立的子問題探索。具體而言，AIME25 從 37.1 提升至 42.9 (+5.8)，OlympiadBench 從 56.3 提升至 60.1 (+3.8)，HMMT25 從 22.5 提升至 23.3 (+0.8)，ZebraLogic 從 72.8 提升至 76.1 (+3.3)。整體性能從 58.2 提升至 59.0 (+0.8)，僅在少數(shù)基準測試中出現(xiàn)輕微退步。

并行強化學(xué)習(xí)優(yōu)勢：基于 NPR-BETA，應(yīng)用并行強化學(xué)習(xí)算法可獲得進一步的性能提升，并始終優(yōu)于順序強化學(xué)習(xí)（NPR 與 SR 相比）。這些改進是廣泛而系統(tǒng)的：AIME24 從 57.1 提升至 63.3（+6.2），HMMT25 從 26.3 提升至 30.8（+4.5），Minerva-Math 從 38.2 提升至 43.0（+4.8）。其他基準測試也顯示出穩(wěn)步提升，AIME25（+1.2）、OlympiadBench（+1.5）、ZebraLogic（+2.8）、AMC23（+2.2）和 MATH500（+0.8）?？傮w而言，平均得分從 62.0 提升至 65.0（+3.0）。

Multiverse-32B 在不同數(shù)據(jù)集上的并行率差異顯著，表明其并行推理的采用高度依賴于數(shù)據(jù)集。尤其是在 ZebraLogic 等邏輯密集型任務(wù)上，其性能明顯低于多個數(shù)學(xué)競賽數(shù)據(jù)集，這表明從順序行為逐步過渡到并行行為的 Multiverse 訓(xùn)練范式，導(dǎo)致并行策略的內(nèi)化不一致，并且對領(lǐng)域特征非常敏感。相比之下，NPR 模型在所有八個數(shù)據(jù)集上均達到了 100.0% 的并行觸發(fā)率。這種一致性意味著端到端的 NPR 訓(xùn)練流程能夠更可靠地將并行推理作為模型的默認問題解決模式，而不受數(shù)據(jù)集領(lǐng)域或復(fù)雜性的影響。實際上，這意味著 NPR 不僅能更頻繁地觸發(fā)并行推理，而且能夠在不同的評估數(shù)據(jù)集上穩(wěn)健地實現(xiàn)這一點。

NPR 在所有五個基準測試中均取得了最佳效率，始終優(yōu)于 Multiverse（1.3 倍至 2.4 倍）和自回歸基線，這表明該方法具有穩(wěn)健的泛化能力。重要的是，加速比隨任務(wù)難度而增加：NPR 在較難的問題（AIME25：4.6 倍；HMMT25：4.1 倍）上觀察到的加速比在較容易的問題（AMC23：2.9 倍）上更大，這表明當需要更深入地探索解路徑時，NPR 優(yōu)勢日益凸顯。證明了 NPR 既能提高準確率，而且在可以并行探索多種解策略時尤其有效。

案例解析

論文給了若干具體題目的并行解法示例，典型模式為：

1.

：并行產(chǎn)生若干獨立 plan（每個 plan 一句戰(zhàn)術(shù)）；

2.

：每個 plan 獨立并行展開具體推理步驟；

3.

：整合與交叉驗證，得出最終結(jié)論并給出簡短答案（boxed answer）。

舉例：對于域函數(shù)或幾何題，某些 plan 會分別做不同的分解（代數(shù)、數(shù)值檢驗、幾何角度關(guān)系），最后

將各分支結(jié)果比對、剔除不一致項并輸出最終答案。這種「多角度并行 + 匯總」能顯著減少因單一路徑假設(shè)錯導(dǎo)致的花費。

結(jié)語

本文提出了一種簡單且可擴展的框架，用于構(gòu)建原生并行推理器。該推理器無需依賴外部教師模型即可學(xué)習(xí)自適應(yīng)分解、多樣化的并行規(guī)劃和可靠的聚合。通過將自提煉的并行 SFT 與智能體并行 RL 相結(jié)合，NPR 能夠生成真正的并行推理策略，而非模擬或腳本化的策略。在八個推理基準測試上的實驗表明，與 Multiverse 數(shù)據(jù)集、自回歸訓(xùn)練和直接強化學(xué)習(xí)相比，該方法均有顯著的改進。論文中的分析進一步證明了該方法能夠顯著加速推理、增強測試時的可擴展性，并且不存在偽并行行為。案例研究展示了該模型如何根據(jù)問題難度調(diào)整其并行性，從而實現(xiàn)結(jié)構(gòu)化探索和穩(wěn)健的驗證。這些結(jié)果表明，原生并行推理是實現(xiàn)更通用、可擴展智能的一個有前景的方向。