SwarmEvolve: AI-agenter i svärmar löser vetenskapliga problem 8 gånger snabbare
Forskare har byggt SwarmEvolve, ett system där hundratals billiga AI-agenter arbetar parallellt i svärmar för att hitta lösningar på matematiska och beräkningsmässiga problem – utan att behöva generera lång text för varje steg, vilket är flaskhalsen i traditionella metoder. Resultatet är slående: systemet når toppresultat på 3–8 minuter jämfört med 60 minuter för konkurrenterna, och med en relativt liten modell (Qwen3 8B) lyckas det förbättra lösningar som Googles AlphaEvolve ursprungligen hittade med betydligt större modeller. Det intressanta här är inte bara hastigheten utan att agenterna kommunicerar direkt via interna representationer (KV-cachar, alltså rådata i modellens minne) istället för text – ett steg mot AI-system som samarbetar utan mänsklig mellanhand.
Djupdykning
Bakom den här forskningen finns en elegant lösning på ett grundläggande flaskhals-problem: när AI-system ska förbättra program och lösa matematiska problem iterativt, slösar de enormt mycket tid på att "tänka högt" – alltså generera text steg för steg – bara för att sedan kasta bort det och börja om. SwarmEvolve skippar det steget helt och låter hundratals små agenter resonera i det som kallas latent space, det vill säga den abstrakta interna representationen inne i modellen, utan att någonsin omvandla tankarna till läsbar text. Agenterna delar sedan sina "tankar" direkt med varandra via något som heter KV-cacher – kortfattat är det ett sätt att spara och vidarebefordra modellens interna minnestillstånd, som att skicka en kollega ett fullt brainstormat whiteboard istället för ett referat. Det som är svårt att ta till sig är hur dramatisk skillnaden blir i praktiken: från 60 minuters väntetid till 3–8 minuter, med ett litet open source-modell som slår resultat som ursprungligen krävde Googles bästa frontier-modeller via AlphaEvolve. Det de flesta missar är att det här egentligen handlar om ett arkitekturskifte bortom prestanda – det ifrågasätter hela antagandet om att AI-agenter måste kommunicera via naturligt språk för att samarbeta effektivt. Om agenter kan koordinera sig djupt inne i modellens vektorrum, öppnas dörren mot system som är mer lika en distribuerad hjärna än ett möte med protokoll.