智能体与自主科学
突破级
有讲解视频
收录解读
问题与背景：当前多智能体系统几乎都依赖自然语言文本进行中介式协作，这带来三个老问题：通信成本高、离散化造成信息丢失、协作延迟随着 agent 数量快速膨胀。LatentMAS 直接把问题改写为：智能体之间是否可以绕过文本，在连续 latent space 里进行信息交换，从而获得更高表达力和更低系统成本。
方法/新意：论文提出一个 training-free 的 latent collaboration 框架，让 agent 通过最后一层 hidden embeddings 进行自回归 latent thoughts 生成，并把这些内部表征写入共享 latent working memory，供其他 agent 直接读取。作者同时给出理论分析，论证相对于文本通信的 expressiveness 和 lossless preservation 优势，并在数学、科学、常识和代码等 9 个 benchmark 上验证系统质量与效率收益。
意义/放在仓库中的位置：这篇工作很适合放在 agent systems / multi-agent communication / memory substrate 主线。它的核心价值在于改变多智能体协作的通信基底，不再把自然语言视为唯一接口，而是把隐藏状态共享变成系统设计的一等公民。对未来的低成本 agent teams、latent working memory、跨 agent reasoning substrate 都有明显外溢。
局限/为何不再升一级：虽然方向很强，但当前仍主要建立在特定 latent 对齐与框架设定上，跨模型族、跨工具链和更开放环境下的稳健性还需要更多证据。它已经足够值得正式收录，但还不到无争议地重排整个多智能体路线的程度。