新しい論文「言語モデルエージェント間の潜在的コミュニケーション：チャネル、アライメント、テキストの限界」（著者：Markus Wenzel）は、マルチエージェントシステムにおける大規模言語モデル（LLM）間の通信効率を調査しています。研究チームは、LLMがテキストで表現できる以上の内部世界モデルを持ち、複雑な概念を伝達する際にテキスト通信が情報損失を引き起こすという仮説を立てました。この仮説を検証するため、構造化実験を実施し、スパースオートエンコーダー（SAE）特徴分析を用いて損失を定量化しました。
実験では、3つの通信チャネルを構築しました：テキストチャネル（自然言語によるメッセージ）、密な潜在チャネル（モデルの密な隠れ表現を直接使用）、およびSAEスパース潜在チャネル（スパースオートエンコーダーで抽出されたスパース特徴を使用）。各チャネルの概念識別情報を測定した結果、SAEスパースチャネルは28倍の圧縮下で99.4%のプローブ精度を維持したのに対し、テキストチャネルは80.4%に留まりました。この結果は、潜在空間が圧縮条件下でより多くの情報を保持できることを示唆しています。
さらに、異なるアーキテクチャ間（LlamaとMistral）の潜在空間アライメントを調査しました。Procrustesアライメントを用いて、92%のTop-1検索率を達成し、潜在表現がある程度転移可能であることがわかりました。しかし、テキスト往復（潜在表現に符号化→テキストに復号→再符号化）による特徴生存分析では、テキスト系列化によりSAE特徴の88%が破壊され、異なる特徴セットに置き換えられることが明らかになりました。この損失は特徴の減衰ではなく、アイデンティティの置き換えに起因するとされています。線形Procrustesアライメントは3〜10パーセントポイントの性能低下を引き起こしますが、非線形アライメント手法により改善可能です。
タスクレベルの評価では、言語横断的概念タスクにおいて潜在チャネルはテキストチャネルと同等の性能を示しましたが、それを超えることはありませんでした。また、テキストに潜在特徴を拡張しても利益は見られませんでした。これらの否定的な結果から、研究者は損失された特徴は主に表面形式を符号化しており、タスク関連の意味ではないと結論付けました。したがって、初期の仮説は支持されませんでした。
この研究は、潜在通信の実際的な利点を明確にするためには、複雑な概念を引き出すより深いタスクと、対応する分析フレームワークが必要であると指摘しています。この成果は、マルチエージェントシステムの設計に重要な示唆を与え、潜在空間の圧縮効率は優れているものの、その実用的価値についてはさらなる探求が必要であることを示しています。