向阳乔木@vista8 · XAI 摘要
RecursiveMAS提出递归多Agent系统，革新传统AI协作模式。其核心是让Agent直接传递模型内部的数值向量，而非低效的文字token，从而形成递归闭环进行迭代打磨，仅末轮输出文本。该方法连接模块轻量，底层模型参数固定，仅训练中间传递模块，极大提升了效率。在AIME数学竞赛上，性能显著超越基线13-18%，推理速度提升2.4倍，Token消耗减少75%，且训练成本低于LoRA。递归轮次增加，其效率优势更为明显。
本周 HuggingFace 热度第一的论文：RecursiveMAS（递归多Agent系统）
多个 AI 组队协作，现在已经是主流方案。
模型 A 想好了传给模型 B，模型 B 想好了传给模型 C，一棒接一棒。
但传的东西是文字。
每次交接都要把内部计算结果"翻译"成 token，下一个模型再重新"读懂"，再翻译……
轮次越多，无效开销越多，而且会影响学习信号回传。
RecursiveMAS 做法：
Agent 之间不传文字，直接传模型内部的数值向量。
形成一个递归闭环，迭代打磨，只有最后一轮输出文本答案。
连接模块极其轻量，底层模型全程不动，只训练中间那个"传话"的小模块。
AIME 顶级数学竞赛题上，比最强基线高 13-18 个百分点。
推理速度快 2.4×，Token 用量少 75%，训练成本比 LoRA 还低。
且递归轮次越多，优势越大。
论文地址见评论区，有空可以翻译下。