Naukowcy zaproponowali KITE - nową metodę komunikacji latentnej dla systemów wieloagentowych opartych na dużych modelach językowych, która drastycznie zmniejsza koszty obliczeniowe poprzez inteligentne wybieranie, jakie dane wewnętrzne agentów powinny się między nimi krążyć. Zamiast tradycyjnego podejścia skupiającego się na wierności stanu na stronie nadawcy, KITE zmienia perspektywę - skupia się na tym, ile informacji rzeczywiście potrzebuje odbierający agent do rozwiązania zadania.
Metoda działa na zasadzie identyfikacji kluczowej warstwy sieci neuronowej, która jest faktycznie istotna dla danego problemu, i transmisji tylko latentnej pamięci roboczej związanej z tą warstwą. Ta warstwa służy również jako punkt wejścia do autoregresywnego rozumowania latentnego. Co ważne, KITE nie wymaga dodatkowego treningu - to rozwiązanie całkowicie wolne od konieczności dostrajania modeli.
Wyniki eksperymentów na siedmiu benchmarkach z zastosowaniem dwóch rodzin modeli w trzech różnych skalach pokazują imponujące rezultaty - komunikacja maleje 28-36 razy w porównaniu z metodą transmisji pełnych danych, a całkowite przyspieszenie wnioskowania sięga 3 krotności. Jednocześnie dokładność rozwiązywania zadań wzrasta nawet o 23,3 punktu procentowego. To szczególnie ważne dla praktycznych zastosowań systemów wieloagentowych, gdzie koszty komunikacji między agentami mogą być znaczącą przeszkodą w skalowalności.