LatBridge 提出潜空间通信多智能体系统的模型替换方案
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载被替换打破的接口
多智能体系统依靠智能体之间的通信来完成任务，潜空间通信把连续表示直接传给下游，省去把表示写成文本再重新编码的环节。问题在于，这类方法通常按一组固定的模型搭配来设计和训练接口，一旦某个智能体的模型被换掉，原来对齐好的接口就可能失配。作者先用预实验确认了这种失效确实发生，并据此提出核心需求：模型替换之后，接口应当能够被复用，而不是整套重做。这一需求决定了后续方案的设计方向，即把可复用的部分与需要新补的部分分开处理。
共享 Bridge 与接口复用
LatBridge 的架构由三部分组成：一个共享的 Bridge、每个智能体各自的接口，以及一套统一的潜通信协议。模型替换发生后，系统先保留没有变化的接口，再从已有接口中挑选与当前模型匹配的低秩接口，通过 Bridge 把它们组合起来；只有确实缺失的接口才需要训练，而且训练时所有模型参数保持冻结。这样做的直接好处是替换成本集中在少量新增接口上，而不必改动模型本身，也不必推翻已有的通信结构。Bridge 承担的是把源端表示转换为目标端可用输入的职责，从而在接口层面维持通信的连续性。
两种运行模式
Bridge 提供两种工作方式。基础模式直接对源表示进行处理，得到下游可用的输入；加速模式则跳过自回归生成步骤，直接构造目标输入，以减少逐 token 生成带来的开销。两种模式的取舍对应准确率与通信效率之间的平衡，论文的分析部分也围绕哪些因素支撑任务准确率、哪些因素影响通信效率展开。
实验设置与结果
实验覆盖八种小型模型配置，用来检验模型替换之后通信是否仍然有效。在基础模式下，MATH 任务的平均准确率为 14.8%，ALFWorld 下一动作预测的平均准确率为 27.3%。这些数字刻画的是替换场景下的表现水平，作者随后分析了影响任务准确率与通信效率的因素。论文于 2026 年 10 月 20 日提交至 arXiv cs.AI，编号 arXiv:2610.27813。
为什么值得看
多智能体系统换模型往往要重训通信接口，这篇给出复用接口、只补缺失部分的思路与量化结果。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。