Ces chercheurs ont trouvé un moyen de faire penser les agents IA sans parler, et c'est 2,4 fois plus rapide

Des chercheurs de l'University of Illinois Urbana-Champaign, de Stanford University, de NVIDIA et du MIT ont construit RecursiveMAS, un cadre multi-agents qui traite l'ensemble du système comme un calcul récursif unique dans l'espace latent. Le preprint pose une question simple : si les modèles de langage récursifs fonctionnent pour des modèles uniques, pourquoi pas pour les agents ? the-ai-agent-that-remembers-you-why-vitabench-20-reveals-a-chasm-between-good-chatbots-and-good-collaborators

Pourquoi la récursion dans l'espace latent ?

L'idée est presque trop évidente une fois qu'on l'entend. Dans la plupart des systèmes multi-agents, chaque pensée est décodée en mots avant d'être transmise à l'agent suivant. C'est coûteux et crée un goulot d'étranglement sémantique. RecursiveMAS conserve tout le raisonnement intermédiaire dans l'espace latent continu, ne décodant en texte qu'au dernier tour.

Le cadre connecte des agents hétérogènes via RecursiveLink, un réseau résiduel léger à deux couches. Les liens internes mappent le dernier état caché d'un agent dans son espace d'embedding d'entrée. Les liens externes transfèrent les pensées latentes entre agents, même lorsque ces agents ont des tailles cachées différentes. La conception résiduelle signifie que le module n'a besoin d'apprendre que le changement de distribution, pas la sémantique entière. how-the-m3-team-turned-math-proof-into-an-evolutionary-search-problem

Architecture et entraînement

RecursiveMAS chaîne tous les agents dans une seule boucle récursive. Chaque agent génère des pensées latentes via le lien interne, puis les transmet à l'agent suivant via le lien externe. Une fois le dernier agent terminé, ses sorties sont renvoyées au premier, fermant la boucle. L'entraînement utilise un algorithme de boucle interne-externe en deux étapes. La boucle interne initialise chaque RecursiveLink avec un objectif de régression aligné sur la distribution d'embedding de la réponse correcte. La boucle externe déroule le système complet pour plusieurs tours de récursion et optimise tous les liens via la rétropropagation à travers toute la trace. Seuls environ 13 millions de paramètres, soit 0,31 % du système total, sont entraînables. Les LLM de base restent gelés.

Garanties théoriques

Deux résultats se démarquent. Premièrement, les systèmes multi-agents récursifs textuels paient un coût de décodage par étape proportionnel à la taille du vocabulaire. RecursiveMAS remplace cela par une transformation de l'espace latent beaucoup moins coûteuse, supprimant le goulot d'étranglement de projection de vocabulaire. Deuxièmement, sous des hypothèses réalistes avec des prédictions de tokens confiantes, l'ajustement fin récursif textuel souffre de gradients qui s'estompent. RecursiveMAS maintient des gradients stables et quasi constants à travers la rétropropagation en boucle. the-subtle-trap-waiting-for-ai-agents-in-production

Performance et efficacité

Sur neuf benchmarks couvrant les mathématiques, les sciences, la médecine, le code et la recherche, RecursiveMAS surpasse systématiquement les références solides. Sur MATH500, AIME 2025, AIME 2026, GPQA-D, LiveCodeBench et MedQA, le cadre offre une amélioration moyenne de la précision de 8,3 % par rapport à la meilleure référence avec des budgets d'entraînement équivalents. Sur les tâches mathématiques de compétition logique d'AIME 2025, il s'améliore de 18,1 %. Sur le benchmark de génération de code réservé MBPP+, il gagne 13 %.

Les chiffres d'efficacité sont encore plus frappants à des tours de récursion plus profonds. Au tour 3, RecursiveMAS atteint jusqu'à 2,4x d'accélération d'inférence de bout en bout par rapport aux systèmes multi-agents récursifs textuels, tout en réduisant l'utilisation de jetons de 75,6 %. Ces avantages se cumulent à mesure que la récursion s'approfondit, car la plupart des tours se déroulent entièrement dans l'espace latent. moonshot-ais-k27-code-is-faster-and-cheaper-but-open-source-coding-models-face-a-new-benchmark-gap

Généralisation à travers les modèles de collaboration

RecursiveMAS est agnostique en termes de structure. L'équipe l'a instancié sous quatre modèles de collaboration : séquentiel (planificateur-critique-solveur), mixte (experts de domaine avec résumeur), distillation (expert-apprenant) et délibération (réfléchisseur et appelant d'outils). Dans tous les modèles, le cadre s'améliore par rapport à l'agent autonome le plus fort : 6,2 % dans le style mixte, 4,8 % dans le style délibération et 8,0 % dans le style distillation, où il élève un petit apprenant tout en préservant un avantage de vitesse de 1,5x par rapport à un expert plus grand.

Ce que cela signifie pour les systèmes multi-agents

Le travail pointe vers un nouvel axe de mise à l'échelle pour les systèmes multi-agents. Au lieu d'ajouter plus d'agents ou de modèles plus grands, la profondeur de récursion dans l'espace latent offre des gains significatifs en performance et en efficacité. Cela ouvre la voie à une coordination d'agents plus flexible sans les frais généraux de décodage en texte à chaque étape, rendant potentiellement les architectures multi-agents complexes pratiques pour des déploiements à ressources limitées. the-specialization-revolution-how-smaller-models-are-redefining-ais-future