布朗大学推出SwarmEvolve：Agent在潜空间直接通信，程序搜索吞吐量提升5-13倍

技术上，SwarmEvolve把Agent分成不同群体，分别负责已有数学构造、新算法思路和方案组合等方向。每个Agent执行40步潜空间推理，不生成逐步的文字CoT；系统用隐藏状态向量的余弦距离筛选差异较大的思路，再由各群体的汇总Agent读取成员的KV Cache，融合多个父代程序的探索信息生成候选程序。候选程序运行、打分、保留后进入下一轮进化，保留完整的生成-测试-筛选流程，只是把中间通信从自然语言换成模型内部表示。

当前主流Multi-Agent框架依赖Agent之间互发自然语言文本，几百个Agent并行探索时Token生成开销会迅速膨胀。SwarmEvolve展示了用KV Cache和隐藏状态通信替代文本通信的可行路径，对跑大规模程序搜索、算法发现的团队意味着更低的时延和算力成本。

布朗大学：让450个Agent不用生成冗长的文字推理，直接在潜空间中交换思路，程序搜索吞吐量提升5-13倍

传统多Agent协作，通常需要每个Agent先生成一段文字，解释自己的思路，再把这些内容传递给其他Agent，由汇总Agent阅读、分析、整合

如果你要让几百个Agent不断探索数学构造、优化算法或者说改进科学计算程序，每个Agent都生成大量文字Token，就会迅速增加时间和计算开销

所以布朗大学提出了一个新框架：SwarmEvolve

它的核心思路是，让Agent不必把中间推理过程转换成文字，而是在模型内部的潜空间中探索，通过KV Cache交换信息，最后由汇总Agent生成可执行程序

简单说就是把多Agent协作从传统的文本通信，部分转向模型内部表示之间的通信

其实验结果： 在21个数学发现和科学计算问题上，用Qwen3 8B、14B、32B-FP8，对比OpenEvolve、ShinkaEvolve和CodeEvolve

在单GPU、每次1小时的测试条件下，每小时评估的候选程序数量达到其他框架的5-13倍

达到其他框架1小时成绩所需时间中位数仅3-8分钟

整个工作流程是： 1、每轮组织450个潜空间Agent 把Agent分成不同群体，分别研究已有程序和不同改进方向，有的尝试已有数学构造，有的探索其他算法思路，有的研究如何组合不同方案

每个Agent执行40步潜空间推理，不需要逐步生成文字CoT

2、直接在潜空间筛选不同思路 系统通过隐藏状态向量的余弦距离，筛选出差异较大的Agent。不需要先把所有思考过程生成文字，再让另一个模型逐一比较

3、通过KV Cache实现跨Agent信息交换 每个群体的汇总Agent读取筛选后成员的KV Cache，融合来自不同父代程序的探索信息，生成新的候选程序

4、自动评估，再进入下一轮进化 运行新程序、计算得分，保留表现较好的候选方案，再继续搜索和优化。整个过程仍然保留程序生成、测试和筛选，只是减少了中间大量文字推理与通信的开销

现在大量Multi-Agent框架依赖自然语言通信，SwarmEvolve等于说给了一条新路径

#SwarmEvolve #MultiAgent #潜空间推理

本条情报归属 AITOP「论文」核心栏目，重点聚焦北美前沿实验室与硅谷科技巨头。在跨区域产业观察坐标中，该动态直接关联「AI 开发者工具链、Coding Agent 与工程化实践」研究主线，反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括：SwarmEvolve、Qwen3、Multi-Agent、潜空间推理，读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。

信源核验说明：本文原始线索采编自「AIGCLINK」（@aigclink），经 AITOP 多维评分管线结构化提炼。