多代理大语言模型系统会把任务拆分到不同模型上，回答往往需要另一个代理的上下文信息：Sharer 编码的信息是 Receiver 完成任务所必需的。传统做法是通过文本交换，这会把自回归解码放在关键路径上，且信息只能在发送时看不到接收方状态。最近的潜在协议把 Sharer 的键值缓存直接映射到 Receiver：C2C 支持异构模型但要求两者读取相同输入，LCF‑X 通过无位置的 Sharer‑cache 池化消除了共享上下文的需求。LCF‑X 仍有三大限制：仅压缩 Sharer，向每个 Receiver 位置提供相同的层局部摘要，且假设层数和 KV 结构匹配。我们提出 XKV，全面解除这些限制。XKV 使用学习查询注意力同时池化两端缓存；在对齐的层 token 上做自注意力，并通过学习的层映射处理不同深度，将池化摘要混合成紧凑的联合记忆；共享位置解码器使每个原始 Receiver 缓存位置能够在其本地 KV 几何中检索到按头门控的残差。所有模型保持冻结，可在模型族、深度、KV 头数、头维度和分词器上不一致，仅训练翻译器。实验在 45 种数据集‑模型配对（六种异构、三种同模型有序配对，五个数据集）上，XKV 获得最高宏观得分和最佳平均排名，在每个数据集上均优于 LCF‑X（在 ROPES 上提升 4.6 点 Exact‑Match、4.2 点 F1），并在五个数据集中的四个上超越文本通信。XKV 训练参数比 LCF‑X 少 76%，缓存对翻译速度提升 10.3 倍（5.8 ms vs 59.9 ms），端到端比 LCF‑X 快 26%，比文本通信快 6.8 倍。
博主点评：XKV 的设计巧妙地解决了异构模型间的缓存对齐难题，显著提升了跨模型协作的效率，是潜在空间通信的重要里程碑。