夜雨聆风
如果让几个 AI 一起做题，最麻烦的常常不是“谁更聪明”。
麻烦在于：谁来分工？谁来汇总？谁来判断哪条发现是真的？
这篇论文讲的 DeLM，可以先理解成一个课堂场景：一群同学一起做大题。以前总要有一个班长收纸条、转述、整理答案。DeLM 换了一种办法，让大家一起看一本公共笔记本。
这件事跟我们有关，因为以后很多复杂工作都会交给一组 AI 来做。写代码、查资料、读论文、做实验日志，都不太像一个人单线完成的作业，更像小组协作。
问题是，小组协作最怕信息丢在路上。
很多多智能体系统，是“班长制”。
主智能体像班长。它把任务拆开，分给几个小智能体。小智能体做完以后，把结果交回来。班长再读一遍、整理一遍、决定下一轮怎么做。
这个设计很好懂，也容易实现。
但人数一多，班长就成了瓶颈。
一张纸条要先交给班长。一个失败尝试也要先交给班长。一个重要限制条件，还要靠班长重新写进下一轮提示词里。中间任何一次转述，都可能少掉细节。
比如一个小智能体发现：“这条路试过了，不对。”如果这句话没有准确传给别人，另一个小智能体就可能再走一遍同样的弯路。
所以，这篇论文的核心问题不是“能不能多派几个 AI”。
它问的是：多派出去的 AI，怎样共享进展，才不会互相浪费时间？
DeLM，全名可以理解成“带共享上下文的去中心化语言模型系统”。
它有三个关键部件。
第一，是一组并行智能体。它们地位相同，没有一个永远坐在中间当总指挥。
第二，是一个任务队列。可以把它想成一排待办便利贴。谁空了，谁就拿一张去做。
第三，是共享上下文。也就是那本公共笔记本。每个智能体开始工作前，先翻一下公共笔记本，看看别人已经发现了什么。做完以后，再把有用进展写回去。
这听起来像普通协作文档，但 DeLM 多了一条关键规则：写进去的内容，必须先压缩，再验证。
“压缩”的意思，是不把整段聊天记录、命令输出、推理过程都贴进去。系统只留下对别人有用的小纸条。
比如：
“这条假设已经失败。”
“真正出错的文件在这里。”
“这个约束不能放松。”
“这个补丁方向已经通过了复现实验。”
这样，每个智能体不用读一大堆原始记录，也能快速知道当前局面。
任务队列像一排待办事项。
传统做法里，班长常常要等一批人都回来，再汇总，再发下一批任务。这叫同步的“分发和收集”。慢的人没回来，下一轮就卡住。
DeLM 的做法更像自习室。
有任务，就放进队列。空闲的智能体自己取任务。做完以后，把结果写进公共笔记本。队列空了，最后完成的人会看一下：是不是还缺东西？如果缺，就再生成新的任务。如果够了，就整理最终答案。
这让协作更像流水线，而不是一次次开大会。
这背后的好处很朴素。
一个人发现的失败，马上变成大家都能看到的路标。一个人定位到的关键文件，后面的人可以接着用。一个人确认过的限制条件，不用等班长重新解释。
并行不只是“同时干活”，而是“同时积累公共进展”。
共享上下文如果太厚，也会出问题。
想象一个班级公共笔记本，里面把每个人的草稿纸都贴上去了。它当然信息完整，但谁也翻不动。
所以 DeLM 把信息分成三层。
最上层，是很短的要点。论文里叫 gist，可以理解成“便利贴摘要”。大家默认先看这一层。
中间层，是更完整的摘要。它记录这个要点来自哪段资料，关键限定是什么。
最底层，是原始证据。比如原文片段、代码运行结果、详细轨迹。
这就像你复习时，先看目录，再看课堂笔记，最后才翻教材原文。
这层设计很重要。
只看短摘要，容易漏掉条件。每次都看原文，又太贵。DeLM 让智能体先用短摘要导航，发现需要细节时，再展开到更细的证据。
论文里的长文本问答实验，正是靠这个办法提高准确率。系统先建立一份经过验证的文档地图，再让智能体按需展开细节。
公共笔记本有一个危险。
如果一条错信息被写进去，后面所有人都会看到它。它看起来像“公共事实”，其实只是某个智能体的误读。
所以 DeLM 不让结果直接入库。
每条新笔记都要经过验证。对于长文档摘要，系统会检查摘要有没有被原文支持。对于智能体的推理结果，系统会检查小纸条有没有忠实保留原来的发现、失败、约束或证据。
通不过，就重写或丢掉。
这个设计解释了论文里的一个实验现象。
在 LongBench-v2 多文档问答上，去掉“入库前验证”，准确率会明显下降。原因不神秘：错笔记一旦进入公共本，后面的人就会把它当真。
这对我们平时用 AI 也有启发。
让 AI 长期记东西，不难。难的是只让它记“查过的东西”。记忆如果没有来源和检查，就会从助手变成误导。
论文主要测试了三类任务。
在 SWE-bench Verified 这类真实软件修复任务上，DeLM 让不同尝试之间能共享失败、发现和补丁摘要。论文报告，在 Gemini 3 Flash 作为基础模型时，DeLM 的平均一次成功率达到 65.7%，Pass@4 达到 77.4%，同时每题成本约 0.12 美元，约为一些强基线的一半。
在 LongBench-v2 多文档问答上，DeLM 在四个模型家族上取得最高平均准确率。论文给出的解释是：共享上下文先把文档群整理成一张可信地图，后续智能体再按需查细节。
在 OOLONG 这种更像表格统计的任务上，单独的 DeLM 反而不如 RLM。因为那类题需要精确计数、筛选和聚合，代码执行更可靠。但把 DeLM 和 RLM 结合以后，效果最好，成本也更低。
这说明 DeLM 不是万能外壳。
它更像一层协作协议：谁发现了什么，谁验证过什么，谁已经试错过什么，应该怎样进入公共状态。
可以把它记成一句话：
多智能体真正需要扩展的，不只是人数，而是公共笔记本。
这个笔记本要短，大家才愿意读。它要能展开，细节才不会丢。它要先查证再入库，后面的人才不会被错信息带偏。
所以，下次看到“一群 AI 协作”的系统，不妨先问三个问题：
它们是不是都要通过一个主控来转述？
失败尝试会不会被后面的人复用？
写进共享记忆的内容，有没有先查证？
这三个问题，比“开了几个智能体”更重要。
