论文页面 - 通过语言表示塑造图式：扩展 LLM 智能的下一前沿

来源：https://huggingface.co/papers/2605.09271

摘要

语言表示设计显著影响大语言模型的性能和内部特征激活，为在不进行规模扩展或参数修改的情况下增强模型智能提供了一条有前景的研究方向。

尽管自然语言是 大语言模型 (LLMs) 的默认媒介，但其有限的表达能力为复杂问题解决创造了深层次的瓶颈。虽然人工智能的最新进展在很大程度上依赖于规模扩展，但仅仅内化知识并不能保证其有效应用。本文将 语言表示 定义为用于映射和建模现实世界的语言和符号结构，并认为通过先进的 语言表示 塑造 图式 (Schema) 是扩展 LLM 智能的下一个前沿。我们认为，LLM 的 知识激活 和组织——即其 图式 ——很大程度上取决于用于表示给定任务的语言的结构和符号复杂度。本文既提供了这一主张的形式化定义，也提供了支持它的实证证据。借助一种新的形式化方法，我们提出了多条证据来支持我们的立场：首先，我们回顾了最近的 实证实践 和 新兴方法论，这些表明即使不修改模型参数或规模，也可以通过深思熟虑的 语言表示 设计实现显著的性能提升。其次，我们进行了 受控实验，表明在相同底层任务的不同 语言表示 下，LLM 性能及其 内部特征激活 会发生变化。综上所述，这些发现凸显了 语言表示 设计作为未来研究的一个有前途的方向。

查看 arXiv 页面 (https://arxiv.org/abs/2605.09271) 查看 PDF (https://arxiv.org/pdf/2605.09271) 添加到收藏集 (https://huggingface.co/login?next=%2Fpapers%2F2605.09271)

在您的 Agent 中获取此论文：

hf papers read 2605\.09271

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

没有模型链接到此论文

在模型 README.md 中引用 arxiv.org/abs/2605.09271 即可从此页面链接。

引用此论文的数据集 0

没有数据集链接到此论文

在数据集 README.md 中引用 arxiv.org/abs/2605.09271 即可从此页面链接。

引用此论文的 Spaces 0

没有 Space 链接到此论文

在 Space README.md 中引用 arxiv.org/abs/2605.09271 即可从此页面链接。

包含此论文的收藏集 0

没有收藏集包含此论文

将此论文添加至 收藏集 即可从此页面链接。