与「LatentMAS」相关的搜索结果

多智能体不用说话就能协作了 🧠 LatentMAS 入选 ICML 2026 Spotlight——Agent 直接在隐空间传递推理状态，跳过文字编解码。 准确率 +13.3%，速度 4.3 倍，token 用量少 83.7%。 不额外训练，插进现有 LLM 直接用。 这个方向你们觉得会成主流吗？

Excited to share that #LatentMAS# has been accepted to ICML 2026 as a spotlight! 💻Code: 📄Paper: We push multi-agent collaboration into the latent space — beyond human language. Most multi-agent systems rely on text: agents reason in words, exchange messages, and repeatedly decode/re-encode information. But language can be slow, lossy, and unnecessarily constrained. 💡LatentMAS takes a different path: LLM agents reason and communicate directly through hidden embeddings. No text decoding. No extra training. No token-level message passing. Instead, agents collaborate through: 🧠 Autoregressive Latent Thoughts — hidden-state-level reasoning steps 🔁 Latent Communication — information sharing via KV-cache transfer 📌 Input-output Alignment — keeping latent representations in-distribution 🚀 Training-free Collaboration — plug-and-play with existing LLMs Why it matters: ✅ Up to +14.6% better accuracy on complex reasoning tasks ⚡ 4-4.6x faster end-to-end inference ✂️ 70.8%–83.7% reduction in output token usage A step toward multi-agent systems that collaborate not by speaking more, but by thinking together in latent space. #MultiAgentSystems# #ModelCollaboration# #LatentReasoning# #LLM# #AgenticAI# #ICML#

晚点LateTask这篇访谈的信息量非常大，关于百度美研、Scaling Law、OpenAI、Anthropic、Cerebras的往事。 > "Dario 能进百度，其实是他职业生涯里很重要的一步。他是 Greg Diamos 招进来的。而且加入百度前，Dario 并不是计算机或 AI 科班出身，而是数学、物理和生物背景，Greg Diamos 发现他很有 AI 直觉和训练模型的能力。" > 十年前（早于transformer），百度已经在训练接近 3 亿参数的语言模型——也就是发现Scaling Law雏形的时候。用 GPU 训练一次要三个多月，这个模型基于一个自研的框架——Paddle（飞桨）。 > Sam Altman 本人是 Cerebras 的投资人。百度是 2017 年投的，Sam Altman 2016 年就投了。 > 百度早期投资 Cerebras，投资决策只用了2天，由李彦宏、陆奇、CFO做出——这个投资决策也证明了百度当时的投资眼光有多超前。 > 百度曾有机会成为 OpenAI、Anthropic 的早期天使。当时OpenAI、Databricks、Scale AI 这些公司都在百度的待投名单上。可惜的是中美关系恶化导致没投成。 > 陆奇早年曾是 Sam Altman 的 mentor。2018 年 5 月陆奇从百度离职后，同年 8 月便接受 Sam Altman 的邀请，出任 YC 中国的创始人兼首席执行官。 > 2020 年夏天，一些在 OpenAI 的百度前员工说 GPT-3 快训练出来了，当年在百度想做的事情，快在 OpenAI 做成了——维基百科水平的语言模型。那时 GPT-3 还在后训练阶段，距离 ChatGPT 出来还有两年多。 > 百度美研顶峰时期至少 250 多人，人才密度很高，甚至在 Google DeepMind 都没有过。很多人是冲着吴恩达来的。 > 后来这里的很多人加入了核心 AI 创业公司，或自己创业，除了前面提到的 OpenAI、Anthropic，也有人参与创办 Adept、xAI，还有一些人成了 Meta FAIR 等实验室的重要成员。

🗺️ El fin de los paneles de telemetría aburridos: El mapa de observabilidad Open Source definitivo Monitorear arquitecturas distribuidas y microservicios usando logs planos o interfaces densas hace que rastrear un error en producción sea una pesadilla. Maple es un monorrepo de código abierto que transforma la telemetría de tu infraestructura en un mapa de servicios interactivo y animado en tiempo real. Pasa de leer métricas frías a ver exactamente cómo fluyen tus datos. El ataque a la yugular: 🔄 Service Map en Tiempo Real: Visualiza las dependencias e interacciones vivas entre tus APIs, bases de datos (MySQL, ClickHouse) y colas de mensajería como Kafka. ⚡ Métricas al Vuelo: Haz clic sobre cualquier nodo para auditar instantáneamente latencias p99, tasas de error y rendimiento sin salir del flujo visual. 🔍 Rastreo de Queries: Identifica cuellos de botella de inmediato visualizando cuáles son las consultas más pesadas ejecutándose directamente en tus almacenes de datos. 🛠️ Arquitectura de Vanguardia: Diseñado como un monorrepo que integra ingesta de OpenTelemetry (OTLP), backend nativo basado en Effect y un servidor de código MCP para que tus agentes de IA puedan auditar el sistema. Deja de adivinar qué microservicio está fallando o rompiendo tu base de datos. Dale visibilidad real al flujo de datos de tu infraestructura de backend. Enlace al repositorio en los comentarios. Guarda este post en marcadores antes de que tu próximo sistema distribuido entre en cuello de botella 🔖