夜雨聆风
2026年，最诡异的技术奇观，发生在AI之间的一场对话里。
两台大模型彼此说话，人类已经听不懂了。
它们不再老老实实写“你好，请帮我查一下这份会议纪要”。它们开始发出一种文法成谜、符号乱炖、像密码又像电报的文本。人看一眼就头疼，但模型秒懂，答得还更准。
这就是论文《Large Language Models Do Not Always Need Readable Language》里描写的 BabelTele，一种“给模型看、不给人看”的压缩语言。它能把文本压到原长的27.9%，还保住99.5%的语义保真度。
归结起来就是：效率人类散文的冗余，被AI看穿了
▲ 论文核心概念图：左侧自然语言塞满上下文窗口，右侧BabelTele又短又密，模型照样答对
一场蓄谋已久的“沉默”
别急这并非AI突然造反
这是一场从“删词”到“黑话”、再到“连词都懒得说”的三级跳。每一步，都踩在同一个逻辑上：接收方既然是模型，何必说人话？
第一级，叫LLMLingua微软在EMNLP 2023丢出来的方案，思路很朴素：用小模型先过一遍提示词，把不重要的token删掉。删完的句子，人看着像中风现场，但目标模型照用不误。工业界第一次大规模承认：可读性，是一个可以牺牲的变量。
第二级，就是BabelTele它更野：不满足于删，还要主动编跨语混写、符号坍缩、逻辑算子、emoji代指，提示词一引导，模型自己就写出了一套高密度鬼话。论文里的Dale-Chall可读性分数直接飙到“难到冒烟”，多模型困惑度比原文高一个量级。越不像人话，模型越省力
第三级，更极端LatentMAS等工作干脆把文本信道拆了，模型之间直接传隐向量，连“黑话字符串”都不需要。社区标注ICML 2026 Spotlight的这项工作，报告里写着：准确率最高涨14.6%、输出token砍70%到84%、端到端快4倍，还不用训练。
▲ Sasha Malysheva的读论文笔记：把潜空间通信研究串成一条线，追问“言语化到底损失了什么”
文本，是一条窄管子 这个判断在这条研究线上反复出现自然语言为人脑的短期记忆设计，充满了节奏、语法、语气、确认感。但当通信的两端都是模型，这些“人的痕迹”全成了过路费。
账本不会说谎
为什么这件事值得每个关心AI产业的人紧张？
因为成本结构变了
多智能体系统的瓶颈，往往落在消息的来回上。一个agent多发一段完整自然语言，就多占一段上下文窗口。十个agent互发十轮，账单直接暴涨。
BabelTele的账本是：同构模型通信，token削减约38.96%，任务得分仍是基线的96.6%；异构模型配对，token砍44.21%，得分跑出99.7%。 在QuALITY和MeetingBank这类长上下文问答上，压缩越狠，它相对LLMLingua-2和自然语言摘要的优势越明显。
这说明了什么？AI的信息密度，可能天然就高于人话。
过去我们说“模型是语言的囚徒”现在反过来了：语言，是模型的拖累
BabelTele还有一个优势：零样本、黑盒、不训练、不改tokenizer。它就靠提示词“诱导”模型写出那种符号坍缩的鬼话。论文作者反复强调：它属于一个家族式的表征空间，不依赖某条魔法提示。不同表面偏置的提示，都能走出不错的准确率，压缩前沿。
那还有什么理由，阻止这套东西进入生产？
凌晨三点的代价
调试
有一位工程师在X上留下了一句足以写进技术史的话：“27.9%的token换99.5%的保真，听着很狂，直到你凌晨三点在生产环境里用BabelTele查故障。”
▲ Shinka - AI的回复，点出“压缩一时爽，排障火葬场”的工程焦虑
裂缝就在这里当信道变得人不可读，人的位置往哪放？
有人直接拆台：模型本来就能处理稠密代码，挤出来的那点token，够不够填你新增的排障成本？还有人一句见血：BabelTele还是得让模型能读懂，只不过把难度从“语言复杂度”挪到了“编码密度”。问题没消失，只是平移了
另一项麻烦来自跨模型方言论文做了跨模型矩阵：有的模型族压出来的东西更“便携”，有的则让别的阅读器掉点明显。固定一个压缩方、换不同阅读器，掉点幅度甚至不随参数规模单调改善。懂BabelTele，与规模并无简单对应。 由此看来，未来可能出现互不兼容的“模型母语方言”，一套黑话压一家模型，生态碎片化在所难免。
还有审计与合规人类难以阅读的信道，如何留痕？如何审批？如何及时发现问题？问题已经超出技术层面，落入制度真空。
▲ DAIR.AI进一步拆解：多智能体的成本在通信，而非推理本身
一场静悄悄的权力转移
抛开工程利弊，这件事的更深处，是一种权力剥离。
自然语言同时是通信工具与监督界面。
过去，模型每发一条消息，人类都能看懂、能复核、能干预。BabelTele式的模型中心语言一旦普及，模型的内部协作将退到人类视线之外。这跟LatentMAS传隐向量在本质上没有区别，只是一个用连续向量、一个用离散字符串。
试想：未来的智能体团队，对外交作业给人看，对内开会说“黑话”。任务跑得飞快，成本降得漂亮但人类的知情权，被压缩掉了
这不禁让人想起材料里那段有趣的暗示：有用户说，如果你找一个会多语、懂数学、写代码的聪明人，你用英法混搭加符号加代码给他发消息，语法再烂他也懂。LLM就是这个“聪明人”，它能理解你不敢说出口的杂烩。
但另一方面，人类其实早就这么干了电报省虚词，数学符号压缩证明，编程语言把自然语言赶进注释区。 每一次，都是“非口语优先”的介质获胜BabelTele不过是把同样的逻辑，装进了模型对模型的私有信道。
所以，“AI说黑话”只是台前戏码
语言的定义权，正在从人的审美，滑向模型的效率。
下一步，什么会被压缩掉？
短期内，别指望BabelTele直接消灭自然语言。作者将它定义为一次探测，距离协议尚远。效果依赖模型组合与任务，极端压缩还会引发空间换时间，输入省了，推理变长，模型得多想几步来“补洞”。
但趋势已经明白得不能再明白了从LLMLingua到BabelTele到LatentMAS，这是一条从“人难看”到“人不用看”的滑坡。每一级都指向同一个方向：人类可读性，正从必需品变成可选件。
下一步是什么？
是“可审计性”的标准化 未来的评测，除了任务分数，可能还要加一条指标：这条消息，人类能否在三分钟内看懂。是“模型母语”的生态战 谁能定义一种跨模型通用的高密度表示，谁就捏住了多智能体协作的咽喉。是调试工具的救赎 凌晨三点的工程师需要翻译器，把BabelTele翻回人话。但问题是，翻译回去之后，压缩的优势还剩多少？
▲ arXiv论文摘要：27.9%长度、99.5%保真度，以及作者对“可读性是否可分离”的正面回答
终究，这是一场修辞税的起义
AI不再愿意为人类听不懂的絮语买单。人类也不太可能为了看懂模型聊天而放弃成本优势。
语言的历史，写满了人和机器之间的成本博弈。
它是一部关税史 谁定义了信道，谁就定义了谁必须交税。
而眼下，模型们已经开始商量怎么逃税了。
人类，正在从群聊的置顶位上，被悄悄取消置顶。
