SwarmEvolve实现450个潜空间AIagent静默协作，进化搜索速度提升5-13倍

在大语言模型驱动的程序合成领域，进化搜索（evolutionary search）正成为发现新算法与数学结构的重要工具。FunSearch曾找到新的cap set构造，AlphaEvolve改进了4×4复矩阵乘法——这些成果证明了该路径的可行性。但长期困扰研究者的瓶颈始终未解：推理过程依赖逐字生成的思维链（Chain-of-Thought），导致单次候选程序生成耗时20–35秒，一轮迭代仅能产出百余样本，GPU高负载下效率极低。

Brown大学Jiang与Karniadakis团队在arXiv论文《SwarmEvolve: Latent Swarms for Efficient LLM-based Evolutionary Search》（编号2611.08483，2026年11月）中提出一种激进优化方案：彻底取消智能体之间的文本交互，转而让450个AI agent在潜空间中静默协作，仅在最终汇总阶段输出文字。实验表明，该方法将进化搜索吞吐量提升5–13倍，中位耗时3–8分钟即可达到基线方法运行60分钟的性能水平；更值得注意的是，一个参数量仅80亿的开源模型，在该框架下复现并改进了AlphaEvolve用更大模型发现的3项数学构造。

这一突破的核心在于对“推理成本”的重新定义。传统LLM进化搜索中，每个agent需完整解码输入提示、中间推理与输出程序，形成冗长自回归序列；上下文随代际累积膨胀，多样性提升反而加剧资源消耗，陷入“越努力越慢”的恶性循环。SwarmEvolve则剥离了语言表征层，将推理压缩至向量空间内部完成。

具体而言，系统每轮启动10个“蜂群”（swarm），每群含45个潜空间agent。每个agent接收问题描述、父程序及特定focus提示（如“从第一性原理推导”或“质疑某假设”），随后执行40步潜空间推理：利用一个预计算的对齐矩阵$W_a$，将模型最后一层隐藏态映射回输入嵌入空间，并作为下一轮输入重馈给模型。该矩阵无需训练，仅通过岭回归闭式解构建，确保各词元输出尽可能匹配其原始输入嵌入，从而维持语义一致性。

关键创新在于agent间通信机制。不同于传统多智能体系统依赖文本消息传递，SwarmEvolve采用KV cache直接传输——即模型推理过程中生成的键值对缓存被跨agent共享。这使得45个agent可在同一轮内并行探索不同方向，而无需重复处理相同上下文。随后，每群中一个专用summarizer读取剩余30个agent（经新颖性过滤后淘汰15个雷同者）的KV cache，整合信息生成新程序。

该设计融合了两条近年兴起的技术路线：一是潜空间推理（latent reasoning），即跳过token解码，在隐藏状态层面完成连续推理；二是隐式多智能体通信（latent MAS），如LatentMAS已验证KV cache可替代文本消息实现高效协同。SwarmEvolve首次将二者系统性嵌入进化搜索闭环，并验证其在真实科学发现任务中的有效性。

在基准测试中，SwarmEvolve在多个程序合成任务上显著优于AlphaEvolve与OpenEvolve。以数学构造任务为例，其在相同算力预算下搜索深度更深、多样性更高；尤其在有限资源场景下优势突出——8B参数模型在单卡A100上运行1小时，产出程序质量超过AlphaEvolve使用更大模型运行6小时的结果。这不仅降低了科研门槛，也为轻量化AI科学发现提供了可行路径。

值得注意的是，该框架并未牺牲结果质量。研究团队复现了AlphaEvolve公开的三项关键成果：改进的矩阵乘法核、新型线性码构造及组合优化策略，并在其中两项上实现了进一步优化。这说明静默推理并非简单压缩，而是通过更高效的探索机制提升了搜索信噪比。

从工程角度看，SwarmEvolve的架构具备良好扩展性。10群×45 agent的配置可在单张消费级显卡上部署（实测使用8B模型+80GB显存），而传统方法往往需多卡集群支撑同等规模搜索。代码已开源至GitHub（Qile-J/SwarmEvolve），并提供与AlphaEvolve结果对比的基准数据集（google-deepmind/alphaevolve_results），便于社区复现与迭代。

该工作揭示了一个被长期忽视的事实：在LLM驱动的自动化科学探索中，语言生成本身可能是性能瓶颈而非必要环节。当任务目标明确（如程序合成）、评估标准客观（如运行时间或正确率）时，绕过自然语言中介，直接在表示空间操作，反而能释放模型潜在能力。

目前，该方法仍聚焦于程序级搜索任务，尚未拓展至更开放的创意生成或复杂决策场景。但其思路已引发关注：是否可在其他需要群体智能的领域（如多机器人协同规划、分布式超参数优化）复用潜空间协作范式？随着潜推理技术成熟，未来或出现更多“不说话的AI协作网络”，在保持高精度的同时大幅降低算力开销。

SwarmEvolve尚未进入工业级应用阶段，但其为低成本AI科研工具链提供了新选项。对于高校实验室、初创团队或个人研究者而言，用一张消费级显卡在数小时内完成过去需整日运算的进化搜索任务，意味着试错周期缩短、探索广度扩大——这或许正是AI辅助科学发现走向普及的关键一步。