缓存合并：多智能体潜在推理的收敛复制状态
本文提出缓存合并（Cache Merging）方法，将多智能体系统中的不同推理路径视为可收敛的复制状态，通过合并缓存实现潜在推理的高效集成。该方法在不增加计算开销的前提下，提升了多智能体协同推理的一致性和准确性，为分布式推理系统提供了新的设计范式。
背景速读
- 这篇论文提出的“缓存合并”（Cache Merging）是一种让多个AI智能体在推理过程中共享和融合各自知识状态的新方法，目的是提升多智能体系统的推理能力。
- 传统上，让多个AI模型协作推理（例如通过对话或投票）效率低、通信成本高。缓存合并直接将各智能体的“思维中间状态”（即模型内部缓存）合并为一个统一状态，使信息共享更高效。
- 该研究属于多智能体系统、分布式AI推理、模型内部表示融合等交叉领域，是一个偏工程性和系统设计的贡献。
- 作者团队来自学术界，论文发表于arXiv（预印本平台），尚未经过同行评审，但反映了当前AI研究中“多智能体协作”和“推理优化”两个热门方向的交汇。