arXiv cs.AI· Jinpai Zhao, Albert Cerrone, Joannes Westerink, Clint Dawson·· 11 小时前AI 评分26
Agents and Tokens：多智能体在美国大西洋与墨西哥湾沿岸水文 token 库上的自主推理
Agents and Tokens: Multi-Agent Autonomous Reasoning over a Hydrodynamic Token Store
AI 导读
研究者用 VQ-VAE 将潮位、非潮汐残差和地表风速压缩为 16x16 的 token 网格，构建沿海水文 token 库，让智能体可自主遍历并检验假设。智能体在该 token 化表示上做轨迹跟踪与时空趋势分析，速度明显快于原始档案，并能正确回答多类欠明确查询。
正文 · AI 翻译
摘要：大语言模型以及基于它们构建的智能体是有史以来最强大的推理机器，科学界正开始让它们发挥作用。大气与海洋科学已开始出现智能体集成，但海岸水动力学在很大程度上仍未被 AI 触及。简而言之，智能体无法轻松读取其数据产品，除非把上下文窗口塞满。海岸模型的一个时间帧就可能包含数百兆字节，而如果档案的分块方式不适合查询，智能体花在下载和压缩上的时间就会比获取洞见的时间还多。毕竟，这些档案是为存储而设计的，而不是为智能体所需的快速、即时访问而设计的。语音和音乐也曾撞上同一堵墙。一分钟音频就是数百万个数字，然而如今的音频模型能进行对话、能创作音乐。它们通过“聆听”token“学会”了这一点。神经音频编解码器把波形转换成短的离散符号序列，模型像读单词一样读取它，再解码回声音。海岸水体是类似的信号：密集、精细采样且可重复。我们确信它具有一种类似的紧凑原生表示，能够保留显著的物理特性。Token 就是这种表示：小整数，轻量到智能体可以在几秒内扫过六个月的岸线。于是智能体可以做的就不只是简单的查找类任务；它们可以在高效探索 token 化表示的过程中提出并检验自己的假设。在此，我们构建了这一框架，使用向量量化变分自编码器，将美国大西洋和墨西哥湾沿岸的潮位、非潮汐余水位和地表风速压缩成 16x16 的 token 网格。智能体遍历和探索这些网格（例如追踪、时空趋势分析）的速度，在本地和异地两种模式下都远快于原始档案，同时能正确回答若干类欠明确的查询。
| 学科： | 人工智能（cs.AI）；大气与海洋物理（physics.ao-ph） |
| 引用为： | arXiv:2605.01102 [cs.AI] |
| （或 arXiv:2605.01102v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.01102 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jinpai Zhao [查看邮箱]
[v1]
2026 年 5 月 1 日星期五 21:17:55 UTC（11,695 KB）
[v2]
2026 年 10 月 23 日星期五 05:18:21 UTC（13,224 KB）
来源：arXiv cs.AI · arxiv.org