arXiv cs.AI· Zhuo-Yang Song, Qing-Hong Cao, Ming-xing Luo, Hua Xing Zhu·· 13 小时前AI 评分31
大语言模型驱动的智能体中的细致平衡
Detailed balance in large language model-driven agents
AI 导读
一项基于最小作用量原理的研究通过实验测量 LLM 生成状态间的转移概率，发现证据与 LLM 生成转移趋向细致平衡一致，提示 LLM 生成可能并非通过普遍学习规则集与策略实现，而是隐式学习了一类可跨越不同模型架构和提示词模板的潜在势函数。该工作给出不依赖具体模型细节的 LLM 生成动力学宏观描述，试图将 AI 智能体研究从工程实践集合提升为基于可预测、可量化有效测量的科学。
正文 · AI 翻译
摘要：由大语言模型（LLM）驱动的智能体正作为一种解决复杂问题的强大新范式崭露头角。尽管这些实践在经验上取得了成功，但用于理解和统一其宏观动力学的理论框架仍然缺失。本文提出一种基于最小作用量原理的方法，用以估计嵌入智能体中的 LLM 的潜在生成方向性。通过实验测量 LLM 生成状态之间的转移概率，我们报告了与 LLM 生成转移中趋向细致平衡相一致证据，这表明 LLM 的生成可能并非通过一般性地学习规则集和策略来实现，而是通过隐式地学习一类可能超越不同 LLM 架构和提示模板的潜在势函数来实现。据我们所知，这提供了对 LLM 生成动力学的一种不依赖于具体模型细节的有效宏观描述。本工作是对建立复杂 AI 系统宏观动力学理论的一次尝试，旨在将 AI 智能体的研究从一系列工程实践提升为一门建立在可预测、可量化的有效测量之上的科学。
| 评论： | 24 页，19 幅图，7 张表 |
| 主题： | 机器学习（cs.LG）；统计力学（cond-mat.stat-mech）；人工智能（cs.AI）；适应与自组织系统（nlin.AO）；数据分析、统计与概率（physics.data-an） |
| 引用为： | arXiv:2512.10047 [cs.LG] |
| （或 arXiv:2512.10047v2 [cs.LG] 为本版本） | |
| https://doi.org/10.48550/arXiv.2512.10047 arXiv 颁发的 DOI（通过 DataCite） |
|
| 相关 DOI： | https://doi.org/10.1103/kwx6-clqd
链接到相关资源的 DOI |
提交历史
来自：Zhuo-Yang Song [查看邮箱]
[v1]
2025 年 12 月 10 日周三 20:04:23 UTC（409 KB）
[v2]
2026 年 10 月 27 日周二 17:34:10 UTC（796 KB）
来源：arXiv cs.AI · arxiv.org