用于高效多智能体辩论的跨模态记忆压缩

多智能体辩论虽能提升推理质量并减少幻觉，但随轮次和代理数量增加，上下文迅速膨胀。保留完整文本历史会导致令牌用量超出限制，且重复摘要带来开销与信息丢失。本文提出 DebateOCR，一种跨模态压缩框架，将冗长的辩论轨迹替换为紧凑的图像表示，并通过专用视觉编码器供后续轮次使用。该方法将通常涵盖数万至数十万令牌的历史压缩，输入令牌减少超 92%，显著降低计算成本并加速推理。理论分析表明，代理间的多样性支持被省略信息的恢复，聚合多个代理的压缩视图能以极高概率逼近信息瓶颈。