学会沟通：迈向多智能体语言系统的端到端优化

基于大语言模型的多智能体系统在复杂推理任务中表现优异，但现有研究多关注角色与编排，将通信视为固定接口。潜在通信（如键值缓存）虽具潜力，却未与推理过程联合优化。本文提出 DiffMAS 框架，将潜在通信作为可学习组件，通过参数高效监督训练，使智能体共同学习信息的编码与解读。实验表明，该方法在数学推理、科学问答等基准上显著优于单智能体及文本基线，提升了推理准确率与解码稳定性。