利用状态差分轨迹增强多智能体通信

基于摘要分析。本文研究由同一基础 LLM 构建的多智能体系统中，自然语言通信可能损失连续内部状态信息的问题，提出同时传递自然语言 token 与逐 token 状态转移轨迹的通信协议，并用 State Delta Encoding（SDE）表示该轨迹。其主要研究对象是 LLM 多智能体通信，而非 EEG 解码或 BCI。 核心机制是利用每次生成 token 后的状态变化序列补充语言消息。作者认为，相比实际状态值，状态变化序列更能反映推理过程中隐含的信息，尤其适用于难以通过离散文本完整表达的推理逻辑与抽象思维。摘要未说明所用状态的具体位置、差分编码形式、接收智能体如何融合轨迹，以及是否需要额外训练，这些实现条件尚未验证。 作者报告，在其多智能体实验中，采用 SDE 的系统相较其他通信协议达到 SOTA，尤其在复杂推理任务上表现突出；但摘要未给出任务名称、基础模型、评估指标、数值、基线细节及计算或通信预算，因此无法判断收益幅度与适用边界。实验协议、消融及统计信息尚未验证。作者声明已开源代码与数据，实际复现条件仍需核对。 材料未建立该通信机制与 EEG/BCI 瓶颈之间的具体对应关系，不能据此推断其具有神经信号建模效果；已有 EEG 相关工作尚未检索确认。