高效多智能体辩论的跨模态记忆压缩
人工智能
2026-02-03 v1
摘要
多智能体辩论可提高推理质量并减少幻觉，但随着辩论轮次和智能体数量的增加，上下文会快速增长。保留完整的文本历史会导致 token 使用量超过上下文限制，通常需要重复摘要，增加开销并加剧信息损失。我们引入 DebateOCR，一种跨模态压缩框架，用紧凑的图像表示替换长文本辩论痕迹，通过专用视觉编码器消耗后续轮次。该设计压缩了通常跨越数十至数百万token的历史记录，使输入token减少超过92%，在多个基准测试中显著降低计算成本并加快推理速度。我们进一步提供了理论视角，表明跨智能体的多样性支持了被遗漏信息的恢复：尽管任何单个压缩后的历史可能丢弃细节，但聚合多个智能体的压缩视图可使整体表示以指数级概率接近信息瓶颈。
引用
@article{arxiv.2602.00454,
title = {Cross-Modal Memory Compression for Efficient Multi-Agent Debate},
author = {Jing Wu and Yue Sun and Tianpei Xie and Suiyao Chen and Jingyuan Bao and Yaopengxiao Xu and Gaoyuan Du and Inseok Heo and Alexander Gutfraind and Xin Wang},
journal= {arXiv preprint arXiv:2602.00454},
year = {2026}
}