AI消息速览

面向语言智能体的通信高效社会智能

事件日期 2026-09-28 · 学术前沿 · 已接受

事件日期2026-09-28
信息日期2026-09-28
入库日期2026-09-29
通道学术前沿
状态已接受
来源arXiv 论文

知识卡片:面向语言智能体的通信高效社会智能

一句话结论

论文提出 Teacher-Assisted Communication Training(TACT),通过教师辅助修订、伙伴回应测试与 on-policy distillation,试图让语言智能体在提升社会目标达成的同时降低通信成本;在 SOTOPIA 与 AgentSense 上,摘要报告了目标表现提升和 token / 交互消息减少,但具体数值未给出,待核实。

事件概述或研究问题

社会智能语言智能体需要协商、协调并解决偏好冲突,同时尊重双方的有限时间和注意力。难点在于:智能体既要传达足够信息来应对伙伴约束、推进自身目标,又不能加入无助于互动的多余话语。论文研究如何把“通信效率”纳入社会智能训练,使智能体互动更高效、对伙伴负担更小。

方法/产品要点

  • 论文将通信效率刻画为两个层面:action strategy 与 expression;其影响不限于当前话语,还会延伸到伙伴回应和后续交换。
  • 提出 Teacher-Assisted Communication Training (TACT):修订学生智能体生成的动作,通过伙伴回应测试修订效果,并将有用反馈蒸馏回学生。
  • Expression specialist:删除不必要细节,同时保留原本意图动作。
  • Strategy specialist:提出可能更好应对伙伴约束的替代策略。
  • 为判断哪个修订更有帮助,TACT 为每个候选采样伙伴回应,并通过平衡 local goal support 与 action-token cost 选择 teacher reference。
  • 该 teacher reference 用于在学生自身 generation prefixes 上做 on-policy distillation,使学生部署时可独立行动。
  • 评估数据集为 SOTOPIA 和 AgentSense。

主要结果或产业意义

  • 在 SOTOPIA 上,TACT 在 All 和 Hard 上取得所评估方法中最高的 Goal,同时比 SFT+SDPO 使用显著更少的目标 token;具体指标数值与统计细节待核实。
  • 在 AgentSense 上,相比初始 student,TACT 提升 goal success,并减少 target tokens 和 interaction messages;具体数值待核实。
  • 产业意义上,这类方法可能有助于客服、协作代理、谈判智能体等场景降低 token 成本、缩短交互轮次,同时保持或提升社会目标达成;但真实部署收益待核实。

为什么重要

社会智能不只是“说得对”,也包括“说得省”和“说得让伙伴可承受”。已有相关卡片中,“AI队友的社会成本”关注引入 AI 队友对人类成员沟通响应性、社会影响力与归属感的影响;本条不重复该发现,而是从智能体训练侧处理通信成本:把目标支持与 token 成本一起纳入教师参考选择,并用 on-policy distillation 训练学生。增量信息是提供 TACT 这一训练框架,以及在 SOTOPIA、AgentSense 上的摘要级评估结论。它是否真能缓解已有卡片所描述的社会成本,材料未证明,待核实。

局限与不确定性

  • 源材料仅为摘要级信息,具体实验数值、统计显著性、数据集规模、模型配置、teacher / student 设置、训练与推理成本均待核实。
  • SOTOPIA 的 All / Hard 指标定义、AgentSense 的 goal success 定义、target tokens 与 interaction messages 的统计口径待核实。
  • “highest Goal among the evaluated methods”仅限论文所评估方法,完整基线与比较范围待核实。
  • 摘要未说明是否进行人类评估、真实部署或长期社会影响测试,待核实。
  • 英文关键词未在来源材料中列出,官方关键词待核实;相关英文术语可参考标题与摘要。

可用于图书/PPT/简报的角度

  • 从“能说会道”到“高效社交”:语言智能体的 action strategy 与 expression 双维度。
  • 教师辅助训练:用伙伴回应筛选教师参考,平衡目标支持与 token 成本。
  • 社会智能的通信成本:把“少而有效”纳入智能体目标,适用于客服、协作、谈判等场景。
  • 与“AI队友的社会成本”对照:一边描述 AI 参与团队的社会副作用,一边探索训练更克制、更高效的社会智能体。

与既有脉络的关系

与“AI队友的社会成本”同属社会交互成本议题,但已有卡片聚焦人类团队成员在 AI 加入后的沟通与社会感受变化;本条聚焦智能体训练方法,关注如何降低通信成本并提升社会目标达成。两者可互补阅读,但不能把本条结果直接视为对已有社会成本问题的解决方案,需待原文与后续验证。

原始材料

  • 英文标题:Towards Communication-Efficient Social Intelligence in Language Agents
  • 英文关键词:待核实(来源未提供官方关键词;相关英文术语:communication-efficient, social intelligence, language agents, Teacher-Assisted Communication Training (TACT), on-policy distillation, SOTOPIA, AgentSense)
  • arXiv ID:2609.35749v1
  • 作者:Linxiao Gong, Yijie Xu, Tianfu Wang, Yin Wu, Yili Wang, Xingbo Yao, Huizai Yao, Xilin Xia, Haowen Yang, Hui Xiong
  • Published / Updated:2026-09-28T17:57:16Z
  • Primary category:cs.CL;Categories:cs.CL
  • Abstract URL:https://arxiv.org/abs/2609.35749v1
  • PDF URL:https://arxiv.org/pdf/2609.35749v1

发现内容有误?

免登录提交,管理员审核并完成修正后才会公开修订说明。

值得关注

社会智能不只是“说得对”,也包括“说得省”和“说得让伙伴可承受”。已有相关卡片中,“AI队友的社会成本”关注引入 AI 队友对人类成员沟通响应性、社会影响力与归属感的影响;本条不重复该发现,而是从智能体训练侧处理通信成本:把目标支持与 token 成本一起纳入教师参考选择,并用 on-policy distillation 训练学生。增量信息是提供 TAC…

相关主题

对应的教材知识点

教材知识点匹配尚未完成。