DIALECT：语言模型内部及跨语言模型的连续空间通信

基于摘要分析。该研究针对多智能体系统中自然语言通信的生成延迟，以及离散 token 选择限制信息传递的问题，提出 Distributional Inter-Agent Latent Exchange via Cross-model Translation（DIALECT），支持使用相同或不同 LLM 的智能体在连续空间交换中间推理表示。 核心机制是由源智能体将 token embedding 的随机混合构造成连续思维，使每一步保留多个可能续写的贡献，而不是仅传递选定的离散 token。相同模型之间直接传递这些表示；不同模型之间则通过分两阶段训练的桥接模块，将表示映射到目标模型的输入 embedding 空间，训练期间两个 LLM 均冻结。摘要未说明随机混合的具体采样方式、两阶段训练目标、监督数据与桥接结构，这些实现条件尚未验证。 作者在双智能体规划—求解设置下评估 DIALECT，覆盖数学推理、知识问答和代码生成的 13 个 benchmark，使用来自三个模型家族的四个模型，规模范围为 3B–8B。作者报告，其表现显著优于单智能体目标模型、同模型基线及跨模型基线；相较于限制源端生成步数相同的文本传递，准确率显著更高且延迟更低。相较于完整文本通信，作者报告所有模型配对的准确率均具有统计等效性，同时获得中位数 2.02× 加速。上述结果仅对应摘要描述的任务与评估设置，不能直接外推到其他模型规模或通信拓扑。 复现时需核对具体模型与 benchmark、数据划分、桥接训练数据、生成步数和文本长度控制、延迟测量边界、硬件条件，以及统计等效性的检验方法。随机软 token 与跨模型桥接各自的贡献、实验协议、消融及统计信息尚未验证。该论文的主要对象是 LLM 智能体通信，摘要未提供 EEG 或 BCI 实验，也不足以据此认定其具有神经信号解码价值。