完全信息的环境下，显著提升多个AI智能体在竞争与合作混合任务中的整体表现和稳定性。论文提供了详尽的数学推导和初步的仿真实验结果，代码也在GitHub上部分开源。
这篇论文本身质量颇高，引起了相关领域研究者的兴趣。但真正让它进入“归途科技”视野的，是论文中反复提及并作为重要对比基准的“现有主流多智能体协同算法”中，赫然包括了“萤火”平台中用于个性化学习路径规划与资源调度的核心模块之一的技术思路。论文虽然未直接点名“萤火”，但其技术描述和问题定义，与“萤火”已公开的某些技术特征高度吻合。更重要的是，论文在对比实验中指出，其新框架在应对“非稳态环境”和“带有欺骗性或对抗性智能体”的场景下，表现“显著优于”所对比的现有方法。
起初，“归途科技”的技术团队并未太过在意。学术论文相互借鉴、比较是常事，新方法声称优于旧方法也属正常。但肖尘在例行审阅“涟漪”项目周报时，却敏锐地察觉到了一丝异常。
这篇论文中描述的、用于生成“非稳态环境”和“对抗性智能体”行为的仿真模型，其数学构建方式，与之前“灯塔”小组在分析“源”底层数据异常时，尝试模拟外部“博弈压力”对“源”可能产生影响的某个理论模型，存在微妙的相似性。这种相似性极其隐蔽，涉及一些非主流的随机过程构造和效用函数设计，如果不是肖尘亲自跟进过“灯塔”小组的模拟，根本不会注意到。
“这不是巧合。”肖尘立刻召集“灯塔”小组和核心算法安全团队，“论文作者声称他们的框架在应对‘对抗性智能体’时表现更好。但你们看他们构建‘对抗性智能体’的策略——它不是简单的破坏或干扰，而是一种高度拟真的、带有强烈‘引导’和‘试探’性质的策略，目的是迫使协同系统中的其他智能体暴露出其决策逻辑的‘偏好’和‘漏洞’。这与我们之前监测到的、针对‘萤火’的认知压力测试，在逻辑上高度同构！”
“您的意思是……这篇论文本身，可能就是一次更高级别的、公开的‘试探’？”一位安全专家震惊道，“他们把自
本章未完，请点击下一页继续阅读！