[CL]《ConlangCrafter: Constructing Languages with a Multi-Hop LLM Pipeline》M Alper, M Yanuka, R Giryes, G Beguš [Tel Aviv University & UC Berkeley] (2025)
ConlangCrafter：利用多跳LLM流水线实现人工语言构建
• 采用多阶段模块化设计，分解语言设计为音韵学、形态学、句法、词汇生成及翻译五个步骤，逐层构建语言结构。
• 利用大型语言模型（LLM）的元语言学推理能力，结合随机数生成器注入随机性，确保生成语言的类型学多样性与创新性。
• 引入自我改进机制（self-refinement），通过模型自我批评与修正迭代，显著提升语言内部一致性和翻译的逻辑连贯性。
• 支持“构造性翻译”，在词汇及语法尚不完整时动态扩展语言描述，实现对新句子的准确翻译与注释。
• 自动化评估框架基于世界语言结构数据库（WALS）特征，量化语言的类型学多样性和内部一致性，验证生成语言既丰富又符合语言学逻辑。
• 允许用户输入约束，实现按需定制，支持测试创意、哲学及语言学假设，展现极强的灵活性与应用潜力。
• 输出语言涵盖多样语音系统、句法结构及形态特征，甚至包括无辅音体系、气味语法、色彩音素等极端创新案例。
• 具备潜力辅助低资源语言研究、游戏世界构建及语言学理论探究，开启计算创造性语言构造新范式。
深入解析表明，分解任务与随机注入共同促进输出多样性，自我改进有效纠正逻辑矛盾，突破了单次提示生成的局限。ConlangCrafter为语言构建者提供强大工具，兼顾创造力与科学严谨，推动人工语言生成迈入系统化、可控化新时代。
了解详情🔗 arxiv.org/abs/2508.06094
项目主页🔗 conlangcrafter.github.io
人工智能计算语言学大型语言模型人工语言语言生成自然语言处理
