今日速览
| 序号 | 标题 | 来源 | 日期 | 主题 | 推荐等级 |
|---|---|---|---|---|---|
| 1 | SwarmEvolve: Latent Agent Swarms for Evolutionary Discovery and Optimization | arXiv | 2026-11-05 | RAG | 高 |
| 2 | SCALE: Real-Time Latent Communication for Cyber-Physical Agents | arXiv | 2026-11-05 | AI-Agent | 高 |
重点论文与技术动态
1. SwarmEvolve: Latent Agent Swarms for Evolutionary Discovery and Optimization
- 来源：arXiv
- 日期：2026-11-05
- 作者/机构：Qile Jiang, George Em Karniadakis
- 主题标签：
RAG,arXiv - 推荐等级：高
- 分类：cs.AI, cs.NE
一句话结论
SwarmEvolve 提出在潜空间推理并共享 KV cache 的群体演化框架，极大加速了科学程序发现与优化。
核心内容
- 针对 LLM 演化搜索因生成长文本思考链而导致的低速问题，让数百个低成本智能体在潜空间协作且无需解码为文本。
- 通过隐状态向量距离直接过滤并保留新颖想法，并由总结智能体聚合群成员的 KV cache 实现潜空间交叉。
- 在 21 个任务中取得最高均分，仅需中位数 3-8 分钟即可达到现有 SOTA 框架 60 分钟的效果，Qwen3 8B 表现优于前沿模型基准。
方法与数据
- 包含潜空间群体推理、KV cache 传递融合与隐状态新颖性过滤；在 21 个数学发现和科学计算问题上评估。
价值判断
- 值得关注：潜空间协作显著压缩搜索时间，较小的开源模型（Qwen3 8B）效果可超越基于前沿大模型的 AlphaEvolve。
- 可复用点：基于隐状态距离的多样性过滤机制，以及多智能体合并 KV cache 进行信息整合的方法。
- 局限/待核查：摘要未明确多智能体聚合大规模 KV cache 时的显存占用与计算开销边界。
摘要
LLM-guided evolutionary search uses AI agents to improve programs for mathematical and computational problems by iteratively refining solutions and combining high-scoring methods. However, the process is often slow because the LLM generates a long textual chain of thought for each round and must repeat this generation many times to maintain population diversity. We present SwarmEvolve, a framework in which hundreds of low-cost agents per round work in swarms, reason in latent space without decoding to text, and share information by passing KV caches. Each swarm studies the problem from a different angle. A novelty filter keeps the most distinct agent ideas by directly measuring the distances between the agents' hidden state vectors. Crossover of ideas happens naturally in latent space, as a summarizer agent receives the combined KV caches of all swarm members. On 21 problems in mathematical discovery and scientific computing, SwarmEvolve gets the highest average score and needs a median of only 3 to 8 minutes to reach the best scores that other state-of-the-art frameworks reach in 60 minutes. On several problems, SwarmEvolve with Qwen3 8B improves on the solutions that AlphaEvolve first found with frontier LLMs. Our work shows that agent swarms that communicate in latent space offer a fast, low-cost approach to program search for scientific problems.2. SCALE: Real-Time Latent Communication for Cyber-Physical Agents
- 来源：arXiv
- 日期：2026-11-05
- 作者/机构：Shanghao Shi, Jian Xiao, Ching-Hsiang Chan, Sanjoy Baruah, Sastry Kompella, Yevgeniy Vorobeychik
- 主题标签：
AI-Agent,arXiv - 推荐等级：高
- 分类：cs.RO, cs.MA
一句话结论
针对信息物理智能体面临的带宽受限与异构时限挑战，本文提出实时隐空间通信框架 SCALE，通过跨帧词元复用与动态调度显著提升了任务表现与准时交付率。
核心内容
- 解决现实约束：指出既有隐空间通信主要面向大模型智能体，忽视了信息物理场景中的带宽瓶颈与异构任务截止时间。
- 时空连续性复用：利用物理世界的时空连续性，基于相似度匹配连续消息中的词元（tokens），有效消除冗余传输。
- 语义-成本联合调度：刻画不同隐空间传输量的语义增益与通信开销，在带宽和时限约束下联合决策传输哪条消息及发送多少词元。
方法与数据
- 提出基于词元相似度匹配与语义-成本画像的实时调度算法；在3个信息物理基准及1个实体蜘蛛机器人案例中完成了多网络条件评估。
价值判断
- 值得关注：拓展了隐空间通信应用边界，首次兼顾信息物理系统中的语义价值、带宽受限与硬性截止时间。
- 可复用点：基于时空连续性的词元相似度去重机制，以及“语义增益-通信成本”权衡调度策略。
- 局限/待核查：具体基准任务类型与端侧计算开销摘要未明确，实体实验仅涵盖单种蜘蛛机器人，多机异构实体表现待核查。