論文の概要: When LLMs Develop Languages: Symbolic Communication for Efficient Multi-Agent Reasoning

• arxiv url: http://arxiv.org/abs/2606.29354v1
• Date: Sun, 28 Jun 2026 12:02:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.895486
• Title: When LLMs Develop Languages: Symbolic Communication for Efficient Multi-Agent Reasoning
• Title（参考訳）: LLMが言語を開発するとき: 効率的なマルチエージェント推論のためのシンボリックコミュニケーション
• Authors: Zhengqi Pei, Qingming Huang, Shuhui Wang,
• Abstract要約: CoT(Chain-of-Thought)は、難しい推論タスクにおいて、大きな言語モデル(LLM)を改善する。 コミュニケーション言語シンボリズムルーティング(R)を提案する。 Rは、それぞれの言語シンボルフレームワークを、コンパクトなシンボル、使用規則、メッセージパス契約を備えた再利用可能なシンボルプロトコルとして扱います。 Rは、標準のCoTと比較してレイテンシ指向のトークンの補完を$3sim 6times$に削減する。
• 参考スコア（独自算出の注目度）: 85.36421257648294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chain-of-Thought (CoT) improves large language models (LLMs) on difficult reasoning tasks, but it often incurs long natural-language rationales that are poorly aligned with efficient machine reasoning. We propose Communicative Language Symbolism Routing (CLSR), a test-time framework in which multiple LLM agents autonomously invent, evolve, and share compact Language Symbolism Frameworks (LSFs), while a latent-free router adaptively selects and composes these languages per query to optimize the accuracy-token trade-off. Unlike prompt optimization that refines surface instructions, CLSR treats each LSF as a reusable symbolic protocol with compact symbols, usage rules, and a message-passing contract, and improves it through an evolutionary loop driven by correctness and token cost. At inference time, the router may invoke a single low-cost LSF call, ensemble multiple LSFs, or execute a multi-round LSF composition protocol on harder queries. Across challenging benchmarks, CLSR reduces latency-oriented generated token completion by $3\sim 6\times$ compared to standard CoT while maintaining accuracy. We further derive an information-theoretic lower bound on token cost under arbitrary symbolism and show that, under an interpreter-realizability premise, multi-round LSF protocols conditionally subsume program-execution pipelines. Code is publicly available (https://github.com/pzqpzq/LSF_MDia).
• Abstract（参考訳）: CoT(Chain-of-Thought)は、難しい推論タスクにおいて、大きな言語モデル(LLM)を改善するが、多くの場合、効率的な推論と整合性に乏しい、長い自然言語の有理性を引き起こす。 本稿では,複数のLLMエージェントが自律的に言語シンボルフレームワーク(LSF)を発明・発展・共有するテストタイムフレームワークであるCLSRを提案する。 表面命令を洗練させる即時最適化とは異なり、CLSRは各LSFをコンパクトなシンボル、使用規則、メッセージパス契約で再利用可能なシンボルプロトコルとして扱い、正確性とトークンコストによって駆動される進化ループを通じて改善する。 推論時には、ルータは1つの低コストのLSFコールを呼び出し、複数のLSFをアンサンブルするか、より厳しいクエリで多ラウンドのLSF合成プロトコルを実行することができる。 挑戦的なベンチマークを通じて、CLSRはレイテンシ指向で生成されたトークンの完了を、標準のCoTと比較して3.3\sim 6\times$に削減する。 さらに,任意のシンボルの下でのトークンコストに対する情報理論的下限を導出し,インタプリタ実現可能性の前提として,マルチラウンドSFプロトコルがプログラム実行パイプラインを条件にサブスムすることを示す。 コードは公開されている(https://github.com/pzqpzq/LSF_MDia)。

関連論文リスト

• Less Languages, Less Tokens: An Efficient Unified Logic Cross-lingual Chain-of-Thought Reasoning Framework [78.44489936691467]
  自己整合性を持つ言語間連鎖(XCoT)は多言語推論を著しく強化する。 既存の手法は、言語全体にわたる完全な軌道の広範なサンプリングのため、コストがかかるままである。 UL-XCoTは、最初の効率的な統一論理言語間推論フレームワークである。
  論文  参考訳（メタデータ） (2026-04-22T01:17:19Z)
• Zero-Shot Instruction Following in RL via Structured LTL Representations [54.08661695738909]
  リニア時間論理(LTL)は、強化学習(RL)エージェントのための複雑で構造化されたタスクを特定するための魅力的なフレームワークである。 近年の研究では、命令を有限オートマトンとして解釈し、タスク進捗を監視する高レベルプログラムと見なすことができ、テスト時に任意の命令を実行することのできる1つのジェネラリストポリシーを学習できることが示されている。 本稿では,この欠点に対処する任意の命令に従うために,マルチタスクポリシーを学習するための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-12-02T10:44:51Z)
• DecoRTL: A Run-time Decoding Framework for RTL Code Generation with LLMs [0.0]
  大規模言語モデル (LLM) は構造的あいまいさや意味的複雑さの領域において信頼性が低いことを示す。 本稿では,新しい実行時デコーディング戦略であるDecoRTLを紹介する。 私たちのアプローチは、追加のモデル微調整を必要とせずに、完全に推論時に動作します。
  論文  参考訳（メタデータ） (2025-07-03T01:17:44Z)
• ProtocolLLM: RTL Benchmark for SystemVerilog Generation of Communication Protocols [45.66401695351214]
  本稿では,広く使用されているSystemVerilogプロトコルを対象とした最初のベンチマークスイートであるProtocolLLMを紹介する。 我々は,ほとんどのモデルがタイミング制約に従う通信プロトコルのSystemVerilogコードを生成するのに失敗したことを観察する。
  論文  参考訳（メタデータ） (2025-06-09T17:10:47Z)
• SymRTLO: Enhancing RTL Code Optimization with LLMs and Neuron-Inspired Symbolic Reasoning [30.938876549335067]
  本稿では,新しいニューロン-シンボリックRTL最適化フレームワークであるSymRTLOを提案する。 有限状態機械(FSM)論理の解析と最適化のための記号モジュールを提案する。 Synopsys Design Compiler と Yosys による RTL-Rewriter ベンチマークの実験では、SymRTLO は 43.9% と 62.5% と 51.1% に向上している。
  論文  参考訳（メタデータ） (2025-04-14T16:15:55Z)
• Interactive and Expressive Code-Augmented Planning with Large Language Models [62.799579304821826]
  大きな言語モデル(LLM)は、常識的推論と対話的な意思決定において強力な能力を示す。 近年,制御フローなどのコード・アジャセント技術を用いてLCM出力を構造化し,計画性能を向上させる技術が提案されている。 完全コード表現で動的なLEM計画手法であるREPL-Planを提案する。
  論文  参考訳（メタデータ） (2024-11-21T04:23:17Z)
• TRACE-CS: A Hybrid Logic-LLM System for Explainable Course Scheduling [7.766442620226087]
  本稿では,シンボル推論と大規模言語モデル(LLM)を組み合わせた新しいハイブリッドシステムTRACE-CSを提案する。 このシステムは、論理的正しさと自然言語のアクセシビリティのバランスをとる説明可能なAIエージェントを、シンボリックなKRメソッドとLLMを組み合わせる方法を示す。
  論文  参考訳（メタデータ） (2024-09-05T16:24:42Z)
• Large Language Models are Interpretable Learners [53.56735770834617]
  本稿では,Large Language Models(LLM)とシンボルプログラムの組み合わせによって,表現性と解釈可能性のギャップを埋めることができることを示す。 自然言語プロンプトを持つ事前訓練されたLLMは、生の入力を自然言語の概念に変換することができる解釈可能な膨大なモジュールセットを提供する。 LSPが学んだ知識は自然言語の記述と記号規則の組み合わせであり、人間(解釈可能)や他のLLMに容易に転送できる。
  論文  参考訳（メタデータ） (2024-06-25T02:18:15Z)
• Inference with Reference: Lossless Acceleration of Large Language Models [97.04200102556551]
  LLMAは、参照によるLarge Language Model (LLM)推論を高速化するアクセラレータである。 LLMによる復号結果と実世界の多くのシナリオで利用できる参照との間には、多くの同一のテキストが存在していることが観察の動機となっている。
  論文  参考訳（メタデータ） (2023-04-10T09:55:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。