Vision Wormhole：异构多智能体系统中的潜在空间通信

基于摘要分析。该研究针对由 Large Language Models 驱动的多智能体系统（MAS）中，离散文本通信带来的运行开销与信息量化损失，提出 Vision Wormhole：利用 Vision-Language Models（VLMs）的视觉接口，在异构模型之间传递连续潜在表示，而非文本消息。其主要研究对象是模型间协作推理与通信，并非 EEG 解码或 BCI。 核心机制是通过 Universal Visual Codec，将异构模型的推理轨迹映射到共享连续潜在空间，再直接注入接收模型的视觉通路。相较于要求发送端与接收端架构一致，或为每对模型学习专用转换器的方案，该框架采用中心—辐射拓扑；作者称其将随模型数量 N 增长的成对对齐复杂度从 O(N²) 降至 O(N)。训练使用无标签的教师—学生蒸馏目标，使视觉通信通道对齐文本通路的推理模式，但具体损失形式、训练数据及模型更新范围尚未验证。 作者报告，在包括 Qwen-VL、Gemma 在内的异构模型家族实验中，该方法在受控比较下减少端到端实际运行时间，同时保持与标准文本式 MAS 相当的推理保真度。摘要未提供具体任务、模型版本、数据划分、耗时数值或保真度指标，因此不能量化收益，也不能判断不同模型组合间的稳定性。实验协议、消融及统计信息尚未验证。 复现时需核对视觉通路的注入位置、Universal Visual Codec 的训练与适配成本，以及耗时比较是否涵盖编码、通信和接收端推理等环节。摘要提供了代码仓库，但实现完整性及复现条件尚未验证。材料未建立该通信机制与 EEG 信号瓶颈的具体对应关系，故不将其改写为 BCI 算法创新；已有 EEG 相关工作尚未检索确认。来源分类中的 State space models 也不能作为本文采用状态空间模型的证据。