[AI]《When LLMs Develop Languages: Symbolic Communication for Efficient Multi-Agent Reasoning》Z Pei, Q Huang, S Wang [Chinese Academy of Sciences] (2026)

在多智能体推理领域，思维链（CoT）虽能提升准确率，但其冗长的自然语言推理过程与机器推理的高效性严重脱节。过去的方法受困于生成成本高、延迟大且难以在智能体间复用，本质原因是自然语言并非逻辑推理的最简编码，其低信息密度限制了计算资源的分配效率。

本文的核心洞见是：把推理过程重新看作一种可进化的符号通信协议。由此，提出的 CLSR 框架通过演化算法让 LLM 自主发明并优化紧凑的“语言符号框架（LSF）”，并利用一个无隐变量的路由机制根据问题难度动态选择、组合或串联这些符号语言，实现了从冗余叙述向高密度符号逻辑的认知跳跃。

这项工作真正留下的遗产是证明了 LLM 具备自发形成高效机器语言并进行社会化协作的潜力，在保持准确率的同时将生成成本降低了 3-6 倍。它为后来者打开了通往“非人类中心化”机器推理协议的大门，但尚未跨过的门槛是这些符号语言的黑盒特性对人类可解释性构成的挑战，以及在更极端跨域场景下的泛化稳定性。

arxiv.org/abs/2606.29354 #机器学习# #人工智能# #论文# #AI创造营#