[CL]《Learning to Interrupt in Language-based Multi-agent Communication》D Wang, D Yin, R Desai, L Li… [CMU & Meta FAIR] (2026)
在多智能体 LLM 系统中，冗长的消息使上下文急剧膨胀，拖慢推理速度、降低任务性能。过去的解决思路都盯着「说话者」——压缩输出长度；但说话者无法预知对方需要什么，对不同听者强行裁剪，信息要么过载要么不足，问题始终悬而未决。
本文的核心洞见是：把「何时停止输入」的决定权，从说话者转移给听者。由此，「听者主动举手打断」这一操作使问题得以解开——听者在流式接收消息的过程中，逐块评估当前信息是否足够响应；通过树状采样估算打断后的未来收益与损耗，筛选出「节省 token 且不损失任务表现」的打断时机，并以此标注数据微调模型。
这项工作真正留下的遗产是：证明了「听者侧主动打断」是独立于说话者压缩的正交优化维度，可叠加使用，且习得的打断行为能跨任务、跨说话者迁移。它为后来者打开的新门是：在真正开放的多向多智能体对话中实现动态、对称的打断协议。但尚未跨过的门槛是：多智能体同时竞争打断时，轮次反而增多，复杂场景下的打断效率仍有待专项训练。
arxiv.org/abs/2604.06452 机器学习 人工智能 论文 AI创造营
