Latent-DARM：连接离散扩散与自回归模型以增强推理能力

大多数多智能体系统依赖基于序列生成的自回归语言模型（ARMs），虽擅长流畅文本生成，却限制了全局推理与计划修正能力。相比之下，离散扩散语言模型（DDLMs）支持非序列、可全局修订的生成，具备强大的规划能力，但其文本流畅度不足阻碍了与 ARMs 的直接协作。本文提出 Latent-DARM，一种潜在空间通信框架，桥接作为规划者的 DDLM 与作为执行者的 ARM，最大化协同优势。在数学、科学及常识推理基准测试中，Latent-DARM 平均表现优于基于文本的接口，显著提升了准确率，同时仅需极少的 token 预算。