视觉虫洞：异构多智能体系统中的潜在空间通信

由大型语言模型（LLM）驱动的多智能体系统（MAS）已实现了高级的协作推理能力，但仍受制于离散文本通信，带来运行时开销和信息量化损失。虽然潜在状态转移提供了一种替代方案，但现有方法要么假设同质的发送方-接收方架构，要么依赖于特定配对的学习翻译器，限制了跨不同模型家族（具有不相交流形）的可扩展性。我们重新概念化视觉语言模型（VLM）的视觉界面——这些模型为自然图像而训练——作为异构智能体之间连续通信信道，并将其实现为“视觉虫洞”：一种通用视觉编解码器将推理痕迹映射到共享的连续参考空间中，并注入接收方的视觉路径，从而实现无需配对翻译器的跨架构潜在状态转移。该框架采用心形拓扑结构，将对齐复杂度从 $O(N^2)$ 降低到 $O(N)$，并通过无标签的教师-学生蒸馏训练，无需并行隐藏状态监督。广泛的实验在异构 VLM 家族（Qwen-VL、Gemma、SmolVLM2、LFM2.5-VL）和九个推理基准上表明，视觉虫洞在大多数评估设置下均显著降低了端到端 wall-clock 时间，并实现了正面的宏平均 $\Delta$-accuracy 提升。