論文の概要: XBridge: Entity-Grounded Latent Bridge for Heterogeneous LLM Communication
- arxiv url: http://arxiv.org/abs/2608.11676v1
- Date: Wed, 12 Aug 2026 05:32:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.474696
- Title: XBridge: Entity-Grounded Latent Bridge for Heterogeneous LLM Communication
- Title（参考訳）: XBridge: 異種LSM通信のためのエンティティゲートラテントブリッジ
- Abstract要約: 不均質なマルチエージェントLPMシステムは、冗長な推論パターンを減らして均質な構成を上回り得る。
既存の通信プロトコルはテキストを介して動作し、送信者の内部表現を破棄するか、潜在レベルの転送のためにアーキテクチャ上の均質性を必要とする。
異種LLMファミリー間で連続表現を転送するクロスアテンションブリッジは,稀な圧縮崩壊に悩まされる。
XBRIDGEはデコード不要な通信プロトコルで、2つのメカニズムで処理する。
- 参考スコア（独自算出の注目度）: 41.12003897083975
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Heterogeneous multi-agent LLM systems, where agents are powered by different model families, can outperform homogeneous configurations by reducing redundant reasoning patterns. Yet existing communication protocols either operate through text, discarding the sender's internal representations, or require architectural homogeneity for latent-level transfer. We identify the entity grounding problem in cross-architecture communication: cross-attention bridges that transfer continuous representations across different LLM families suffer from rare-token compression collapse, where entity identity is lost in the continuous bottleneck (bridge-only F1 ~30%). We propose XBRIDGE, a decode-free communication protocol that addresses this through two mechanisms. Lexical Anchor Mapping (LAM) maps the sender's original context tokens to the receiver's vocabulary, providing discrete entity anchors. A Latent Enrichment Bridge (LEB) lets the receiver query the sender's hidden states for contextual enrichment. The entity anchors ground the bridge's contextual signals to specific entities through the receiver's own self-attention. Across three model families (Llama, Qwen, and Mistral), seven benchmarks, and both communication directions, XBRIDGE outperforms text-based communication on all seven tasks for each model pair while achieving 11x lower latency, and in a same-architecture setting it also exceeds a KV-sharing baseline on six of seven tasks. LEB requires only 264M trainable parameters (3.8% of the receiver), is trained on a small balanced sample set, and adds negligible inference overhead.
- Abstract（参考訳）: エージェントを異なるモデルファミリーで駆動する不均一なマルチエージェントLPMシステムは、冗長な推論パターンを減らして均質な構成より優れている。
しかし、既存の通信プロトコルはテキストを介して動作し、送信者の内部表現を破棄するか、潜在レベルの転送のためにアーキテクチャ上の均質性を必要とする。
異なるLLMファミリー間で連続表現を転送するクロスアテンションブリッジは、連続的なボトルネック(ブリッジのみF1〜30%)でエンティティアイデンティティが失われる希少な圧縮崩壊に苦しむ。
XBRIDGEはデコード不要な通信プロトコルで、2つのメカニズムで処理する。
Lexical Anchor Mapping (LAM) は送信者の元のコンテキストトークンを受信者の語彙にマッピングし、独立したエンティティアンカーを提供する。
遅延エンリッチメントブリッジ(LEB)は、受信者が送信者の隠された状態を問い合わせてコンテキストエンリッチメントを行うことを可能にする。
エンティティは、受信者の自己注意を通じて、特定のエンティティに対するブリッジのコンテキストシグナルを固定する。
3つのモデルファミリ(Llama、Qwen、Mistral)と7つのベンチマークと通信方向の両方で、XBRIDGEは、各モデルペアの7つのタスクすべてでテキストベースの通信を11倍のレイテンシで上回り、同じアーキテクチャ設定では、7つのタスクのうち6つでKV共有ベースラインを超えている。
LEBは264万のトレーニング可能なパラメータ(レシーバーの3.8%)しか必要とせず、小さなバランスの取れたサンプルセットでトレーニングされる。
関連論文リスト
- From Semantic to Token Communication: The Next Paradigm for Large-Model-Driven 6G Intelligent Connectivity [94.51565447227847]
6Gネットワークは、通信システムを信頼性の高いビット配信から、意味認識とタスク指向の接続へと駆動している。
強力なマルチモーダル理解と生成能力を持つ大規模モデル(LM)がこのシフトを加速した。
現在のLM駆動セマンティックコミュニケーション(SemCom)は断片化されている。
トークンは、この欠落した抽象化の自然な候補である、と我々は主張する。
論文 参考訳（メタデータ） (2026-09-09T18:11:38Z) - UEmbed: Unified Sparse and Dense Multimodal Embeddings [56.1131203949042]
本稿では,デコーダのみのマルチモーダル埋め込みモデルUEmbedを紹介する。
緩やかな語彙と密度の表現を1つの因果前方通過で生成する。
UEmbedを2B、4B、9Bスケールでトレーニングし、公開されているデータに基づいてトレーニングされたマルチモーダル埋め込みモデルよりも優れています。
UEmbedは1つのモデルに密でスパースな埋め込みを統一し、さらにスパース検索を拡張してテキストとマルチモーダル入力を統一する、という新しいパラダイムを提供する。
論文 参考訳（メタデータ） (2026-08-03T17:54:11Z) - HiComm: Hierarchical Communication for Multi-agent Reinforcement Learning [27.564924459355424]
我々は,送信者の階層的な観察にメッセージを置くプラグイン通信モジュールであるtextscHiCommを提案する。
textscHiCommはレシーバ駆動であり、階層は3段階の復号プロセスによって解決される。
実験によると、textscHiCommは、各エピソードの受信者あたりの通信容量を最大2,3倍に減らしながら、学習したコミュニケーションのベースラインにマッチし、より優れています。
論文 参考訳（メタデータ） (2026-06-28T00:29:12Z) - Beyond tokens: a unified framework for latent communication in LLM-based multi-agent systems [0.65268245109828]
大規模言語モデル(LLM)上に構築されたマルチエージェントシステムは、複雑な推論、計画、ツール使用タスクに対処するための主要なパラダイムとなっている。
このようなシステムにおける主要な通信プロトコルは自然言語である: エージェントはメッセージのトークン・バイ・トークンを交換し、同僚が読み、検証し、応答できるように内部の推論を口述する。
エージェントは、テキスト生成のボトルネックを回避して、連続的な表現を直接交換する。
本稿では,潜時コミュニケーションの急速な発展をめざした文献を整理するための統一的な枠組みを提案する。
論文 参考訳（メタデータ） (2026-06-04T05:10:20Z) - Neural Router: Semantic Content Matching for Agentic AI [41.39228253084888]
大規模言語モデル(LLM)は、エージェントAIのためのコンテンツベースのパブリッシュ/サブスクライブブローカのセマンティックマッチングエンジンとして機能する。
3つの公開データセット上でオフラインのマルチラベル検索として評価され、我々の中心的な貢献は2つのクロスオーバーコストのキャラクタリゼーションである。
論文 参考訳（メタデータ） (2026-05-25T10:58:53Z) - Good Agentic Friends Do Not Just Give Verbal Advice: They Can Update Your Weights [58.27172968382275]
マルチエージェントLLMシステムは、通常自然言語メッセージを交換することで協調する。
送信者のメッセージを受信者のコンテキストに付加する代わりに、送信者の隠された状態を過渡的で受信者固有の重み摂動にコンパイルする。
論文 参考訳（メタデータ） (2026-05-13T17:58:32Z) - TeleEmbedBench: A Multi-Corpus Embedding Benchmark for RAG in Telecommunications [2.2508462342902633]
大規模言語モデル(LLM)は、重要なタスクのために電気通信領域にますます多くデプロイされている。
TeleEmbedBenchは,通信専用に設計された,最初の大規模マルチコーパス埋め込みベンチマークである。
論文 参考訳（メタデータ） (2026-04-20T04:00:13Z) - WISV: Wireless-Informed Semantic Verification for Distributed Speculative Decoding in Device-Edge LLM Inference [56.297697169678095]
WISV(Wireless-Informed Semantic Verification)は、分散投機的復号化フレームワークである。
WISVは最大60.8%の許容長の増加、37.3%の対話ラウンドの削減、31.4%のエンドツーエンドレイテンシの改善を実現している。
NVIDIA Jetson AGX OrinとA40搭載サーバからなるハードウェアテストベッド上でWISVを検証する。
論文 参考訳（メタデータ） (2026-04-20T01:29:56Z) - GoAgent: Group-of-Agents Communication Topology Generation for LLM-based Multi-Agent Systems [55.12339141172908]
GoAgentは、協調グループをMAS構築の原子単位として明示的に扱う通信トポロジ生成手法である。
6つのベンチマークの実験では、GoAgentの最先端のパフォーマンスを93.84%の平均精度で証明し、トークン消費を約17%削減した。
論文 参考訳（メタデータ） (2026-03-20T06:21:32Z) - Direct Semantic Communication Between Large Language Models via Vector Translation [3.81908263930559]
大規模言語モデル(LLM)は、メッセージをプレーントークンとして渡すことで、最も遅延したセマンティクスを破棄する。
我々は、直接意味交換を可能にする学習されたマッピングを用いて、ベクトル変換を介して潜時ブリッジを形成する。
論文 参考訳（メタデータ） (2025-11-06T00:43:29Z) - Spatial Semantic Recurrent Mining for Referring Image Segmentation [63.34997546393106]
高品質なクロスモーダリティ融合を実現するために,Stextsuperscript2RMを提案する。
これは、言語特徴の分散、空間的意味的再帰的分離、パーセマンティック・セマンティック・バランシングという三部作の作業戦略に従う。
提案手法は他の最先端アルゴリズムに対して好適に機能する。
論文 参考訳（メタデータ） (2024-05-15T00:17:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。