arXiv cs.AI· Zhengqi Pei, Qingming Huang, Shuhui Wang·· 3 天前AI 评分35
LLM 如何发展出语言：面向高效多智能体推理的符号化通信
When LLMs Develop Languages: Symbolic Communication for Efficient Multi-Agent Reasoning
AI 导读
研究者提出 Communicative Language Symbolism Routing（CLSR），让多个 LLM 智能体自主发明、演化并共享紧凑的 Language Symbolism Frameworks（LSFs），由无隐变量路由器按查询自适应选择与组合这些符号语言，以优化准确率与 token 成本的权衡。
正文 · AI 翻译
摘要：思维链（CoT）提升了大型语言模型（LLM）在困难推理任务上的表现，但它往往会产生冗长的自然语言推理过程，与高效的机器推理难以对齐。我们提出了 Communicative Language Symbolism Routing（CLSR），这是一个测试时框架，其中多个 LLM 智能体自主发明、演化并共享紧凑的语言符号框架（LSF），同时一个无隐变量的路由器会针对每个查询自适应地选择和组合这些语言，以优化准确率与 token 的权衡。与优化表层指令的提示优化不同，CLSR 将每个 LSF 视为一种可复用的符号协议，具有紧凑的符号、使用规则和消息传递契约，并通过由正确性和 token 成本驱动的演化循环来改进它。在推理时，路由器可以调用单个低成本的 LSF 调用、集成多个 LSF，或在更困难的查询上执行多轮 LSF 组合协议。在具有挑战性的基准测试中，CLSR 在保持准确率的同时，将面向延迟的生成 token 补全相比标准 CoT 减少了 $3\sim 6\times$。我们进一步推导了在任意符号体系下 token 成本的信息论下界，并表明在解释器可实现性前提下，多轮 LSF 协议有条件地包含程序执行流水线。代码已公开（此 https URL）。
| 评论： | ICML2026 常规论文 |
| 主题： | 人工智能（cs.AI）；神经与进化计算（cs.NE） |
| 引用为： | arXiv:2606.29354 [cs.AI] |
| （或 arXiv:2606.29354v2 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2606.29354 由 DataCite 颁发的 arXiv DOI |
|
| 期刊 参考： | 第 43 届国际机器学习会议论文集，PMLR 306:97643-97678，2026 |
提交历史
来自：Zhengqi Pei [查看邮箱]
[v1]
2026 年 6 月 28 日星期日 12:02:42 UTC（6,964 KB）
[v2]
2026 年 10 月 10 日星期六 15:31:30 UTC（6,964 KB）
来源：arXiv cs.AI · arxiv.org