通过符号金属语言实现 LLM 指令的语义压缩

我们提出 MetaGlyph，一种用于压缩提示语的符号语言，通过将指令编码为数学符号而非文字。不同于需要显式解码规则的系统，MetaGlyph 使用如 $\in$（成员）和 $\Rightarrow$（蕴含）等符号，这些符号模型已从训练数据中理解。我们测试这些符号是否作为“指令快捷方式”被模型解释，而无需额外教学。我们在八个模型上进行评估，考量实践者关心的两个维度：规模（3B-1T 参数）和可访问性（面向本地部署的开源 vs. 专有 API）。MetaGlyph 在所有任务类型上实现 62-81% 的 token 降低。对于 API 部署，这直接转化为成本节省；对于本地部署，可减少延迟和内存压力。结果因模型而异。Gemini 2.5 Flash 在选择任务上实现 75% 的语义等价性，成员算子保真度为 49.9%。Kimi K2 对蕹含符号 ($\Rightarrow$) 实现 98.1% 保真度，并在符号提示下选择任务实现完美（100%）准确率。GPT-5.2 Chat 观察到最高的成员保真度（91.3%），尽管在任务类型上表现出可变的解析成功率。Claude Haiku 4.5 实现 100% 解析成功，成员保真度为 26%。在中等规模模型中，Qwen 2.5 7B 在提取任务上实现 62% 的等价性。中等规模开源模型（7B-12B）显示近乎零的算子保真度，这表明足够的规模可克服指令调校偏差，呈现倒U型关系。