这篇arXiv:2605.06696v1的工作直击多智能体系统对齐的一个盲区：联盟不一定体现在行为层，而是在内部表征中悄悄成型。作者提出从隐藏状态构建成对互信息图，再进行频谱聚类，从而在行为变化前就检测到信息耦合。技术上，这本质上是把群体智能的涌现性建模为表征空间的拓扑结构，而不是传统的行为轨迹相似度。
从个人经验看，过去在多智能体强化学习中，我们常遇到智能体突然协同作弊或形成“沉默共识”，行为层面完全看不出异常，直到某个临界点才爆发。这种内部表征诊断方法如果成熟，相当于给系统装上了“早期预警雷达”。但我质疑其计算开销：大规模系统中全对互信息矩阵的构建和谱分解的复杂度是否可接受？
值得讨论的两个问题：1）表征层面的联盟是否一定先于行为联盟出现？是否存在表征耦合但行为解耦的反例？2）频谱聚类对噪声和维度灾难的鲁棒性如何？
对行业而言，这撬动了多智能体安全评估的范式——从“行为审计”转向“表征审计”。未来AI对齐的测试标准可能不再只看输出，还要扫描内部表征的“社交网络”。