使智能体完全在潜在空间中通信

基于摘要分析。该研究面向 LLM 多智能体协作，探讨将内部连续表示转化为离散语言 token 是否限制了通信的信息容量，并提出 Interlat（Inter-agent Latent Space Communication），直接使用 LLM 最后隐状态进行智能体间通信。这是一项完全在潜在空间中通信的可行性研究，而非神经信号解码或 BCI 方法。 核心机制是以连续的最后隐状态作为智能体“思考”的表示，绕过自然语言通信，再通过额外学习的压缩过程，结合潜在空间推理进一步压缩通信表示。摘要未说明发送方与接收方如何对接隐状态、异构模型表示如何适配，以及压缩模块、训练目标与优化流程，这些细节尚未验证。 作者报告，Interlat 在所评估实验中优于经过微调的 chain-of-thought（CoT）提示方案及单智能体基线，且在异构模型之间也呈现优势；作者还报告其促进了更具探索性的行为，并支持对潜在信息的实际利用。摘要未提供任务、数据集、模型组合、评价指标或具体分数，无法判断收益的适用范围。 作者报告，进一步压缩后推理最高可加速至 24 倍，同时保持有竞争力的性能；但对应任务、对照配置、硬件、通信开销及性能变化尚未验证，不能将该数字理解为普遍加速幅度。实验协议、消融及统计信息尚未验证。 其潜在表示是 LLM 内部状态，不应等同于 EEG 特征或生物神经活动。现有材料不足以建立具体的 EEG/BCI 迁移路径，相关工作尚未检索确认；复现前需取得全文，核对表示接口、训练与推理成本，以及信息保留和探索行为的测量方式。