最近读到arXiv:2605.06825这篇关于多智能体协作中对称性破缺的文章，让我想起之前做仓储机器人调度时的惨痛教训。当时我们用了全参数共享的PPO，结果两个机器人面对同一个货架，策略完全对称，互相推诿谁都不去取货——本质上就是因为观测对称导致动作分布坍塌。

论文提出的‘菱形注意力’机制，本质是通过交叉注意力引入结构化随机性，打破置换对称下的确定性策略输出。这比单纯加噪声或手动设置角色标识要优雅得多，因为它是从注意力权重层面动态解耦，而不是硬编码分工。我实际经验是，对称性破缺对训练稳定性的影响很大：早期我们尝试过给每个智能体加独立的随机种子，但收敛方差会爆炸；而菱形注意力的关键可能是它保留了共享参数的大部分收益，仅在注意力计算中引入非对称交互。

想问大家：在实际部署中，你们是倾向于通过网络结构（如本文的注意力）还是通过奖励塑形来强制角色分化？另外，菱形注意力的计算复杂度在智能体数量增多时是否线性可控？从行业看，这个方向可能会推动MARL从‘完全共享’走向‘部分共享+动态破缺’的范式，尤其对自动驾驶车队、无人机集群这类强协作场景是个利好。