Vision Wormhole：异构多智能体系统中的潜在空间通信

基于摘要分析。本文研究异构多智能体系统中不同模型如何交换内部表示，提出 Vision Wormhole：将视觉语言模型（VLM）的视觉输入接口重新用于冻结异构智能体之间的连续通信，而非依赖文本消息传递。 其核心是 Universal Visual Codec：将发送方的潜在状态展开序列（latent rollout）编码为固定大小的消息，经共享参考空间映射后，解码至接收方的 image-token span。各模型的 codec 与仿射参考映射构成枢纽—辐射式架构，对 N 个模型使用 O(N) 个组件。每个模型利用锚定文本进行自蒸馏，独立学习自身 codec，再通过共享锚点对齐，实现跨通信伙伴复用。这里的 O(N) 描述组件数量，不能据此推断整体计算或通信开销同样线性增长。 作者报告，在四个 VLM 家族、六种团队配置和九个推理基准的评估范围内，相较文本介导的多智能体系统，准确率平均提高 6.0 个百分点，批次归一化的端到端运行时间获得 1.69 倍几何平均加速。具体基准名称、模型规模、消息预算、训练与评估划分、计时归一化方式，以及消融与统计信息尚未验证，因此这些收益应限定于作者报告的评估条件。 研究主要面向 VLM 多智能体推理，并非 EEG 解码或 BCI 验证。其通信机制依赖可访问的潜在状态、接收方视觉 token 接口及共享锚定文本；材料尚未给出这些条件与 EEG 模型的具体对应关系，故不将其结果外推为 BCI 性能收益。复现需进一步核对 codec 结构与训练目标、锚点构造、冻结模型的接口访问方式及运行时间测量协议；代码与权重可用性尚未验证。