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 LLM 多智能体系统中仅通过自然语言交流可能造成的信息损失，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）表示轨迹，以补充推理过程中未被文本充分表达的信息。 核心机制：作者认为，将连续状态向量转化为离散 token 后再传递给其他智能体，会损失部分推理逻辑或抽象思考信息；相比直接传递状态值，生成每个 token 后的状态变化序列更能反映推理过程中的隐含信息。因此，SDE 的研究对象是 LLM 推理状态的变化轨迹，而不是 EEG 等神经信号。摘要未说明状态取自何处、差分的具体定义、轨迹编码方式、接收智能体如何利用轨迹，以及是否需要额外训练，这些机制细节尚未验证。 结果与复现：作者报告，采用 SDE 的多智能体系统相较其他通信协议取得 SOTA 表现，尤其在复杂推理任务中；但摘要未提供任务或数据集名称、模型配置、对照协议、评估指标及具体数值，因而无法核对收益幅度或比较条件。作者声明已公开代码与数据，实际可用性及复现条件尚未验证；实验协议、消融及统计信息也尚未验证。 相关性边界：该工作的主要贡献是 LLM 多智能体通信增强，不能据此视为 EEG/BCI 解码方法，也不能由来源栏目推断其采用 State space models。当前材料未建立状态差分通信与 EEG 瓶颈的具体对应关系，因此不提出 BCI 迁移效果或复现实验建议；相关 EEG 工作尚未检索确认。