GlossoGen：复杂多智能体 LLM 交互中的涌现语言

LLM 代理之间相互交互的频率不断上升，引发了关于多 LLM 代理环境中语言演化的关键问题，这不仅关系到安全性和可监测性，也关系到对 LLM 的语言学解释。为回答这些问题，我们提出 GlossoGen，这是一个用于研究复杂场景中多智能体语言演化的新平台。在 GlossoGen 中，我们构建了 SaveVeyru 场景，该场景要求拥有部分信息的代理在压力下进行沟通。我们发现，LLM 代理之间确实会发生语言演化，所得语言具有组合性和形态生产性，并且会以某些方式偏离 LLM 的英语先验，从而使人类无法理解。此外，我们识别出这种演化所必需的几个特征：效率驱动的压力；支撑这些代理的模型强度；以及进入“postmortem”阶段的机会，在该阶段代理可以就语言约定达成一致。重要的是，我们观察到，语言向新代理的传递受不同条件支配。具体而言，我们发现代理仅通过使用就能学习新语言，并在这一学习过程中发挥主动作用；而尽管新的语言涌现需要更强的模型，但一旦某种语言已经出现，较弱的模型也能学习它。综上，我们的结果表明，当前 LLM 具有累积文化演化的潜力——这一现象此前仅在人类中得到证实——而且由不同能力混合组成的代理群体能够发展出超越其最低共同标准的能力。