斯坦福英伟达联合提出RecursiveMAS：多智能体跳过文本对话，推理速度提升2.4倍

事件概述

多智能体系统（MAS）的传统协作方式依赖自然语言文本传递信息，每次沟通需将内部思维“翻译”成文字再解码回来，导致大量时间与Token浪费。UIUC、斯坦福、英伟达、MIT的研究团队提出RecursiveMAS，让智能体在潜空间（latent space）中直接传递连续向量表征，跳过显式文本生成与解析步骤，从而大幅提升推理效率。

核心信息

• 方法名称：RecursiveMAS（基于递归语言模型的MAS架构）
• 关键组件：RecursiveLink——一个轻量级两层残差模块，负责将某模型最后一层的隐状态转换并传递至下一模型的嵌入空间。分为Inner RecursiveLink（单智能体内循环热身）和Outer RecursiveLink（多智能体间循环训练）。
• 训练策略：主干模型权重完全冻结，仅训练RecursiveLink模块，总参数量约1300万（占可训练参数的0.31%），训练成本比全量微调降低50%以上。训练分两阶段：内层循环热身（各智能体独立训练，并行进行）和外层循环联合训练（所有智能体串联，以最终输出为优化目标，共享梯度）。
• 实验设置：在9个基准测试（数学、科学医学、代码生成、搜索问答等）和4种协作模式（顺序推理、混合专家、知识蒸馏、协商式工具调用）上评估，使用模型包括Qwen、Llama-3、Gemma3、Mistral。对比基线包括LoRA、全量微调、Mixture-of-Agents、TextGrad、LoopLM以及强制文本通信的Recursive-TextMAS。
• 主要结果：
  • 准确率：平均提升8.3%，在AIME2025上比TextGrad高18.1%，在AIME2026上高13%。
  • 推理速度：端到端提升1.2倍至2.4倍，且随递归轮次增加而增长（第1轮1.2倍，第2轮1.9倍，第3轮2.4倍）。
  • Token消耗：与Recursive-TextMAS相比降低34.6%至75.6%（第3轮降低75.6%）。
• 理论支撑：论文证明了递归训练中梯度稳定性，且运行时复杂度优于传统文本型MAS。
• 研究意义：挑战了“智能体间必须通过自然语言传递信息”的默认假设，将单模型中已验证的递归扩展策略引入多智能体系统，开辟了“加深递归深度”而非增加智能体数量的新Scaling方向。

值得关注

• 当前结果由作者自报，尚未有独立团队完成复现。
• 异构智能体兼容性：Outer RecursiveLink理论上支持跨架构潜表征传递，但论文未详细披露跨模型代际的实现细节。
• 可解释性下降：隐空间向量不可读，在需审计的生产环境中可能带来合规挑战。
• 论文链接：https://arxiv.org/abs/2604.25917