Naturaleza Compartida, Crianza Única: PRISM para el Razonamiento Pluralista mediante Modelado Estructural en Contexto
Shared Nature, Unique Nurture: PRISM for Pluralistic Reasoning via In-context Structure Modeling
February 24, 2026
Autores: Guancheng Tu, Shiyang Zhang, Tianyu Zhang, Yi Zhang, Diji Yang
cs.AI
Resumen
Los Modelos de Lenguaje Grandes (LLM) están convergiendo hacia una Mente Colmena Artificial singular, donde una Naturaleza compartida (preferencias a priori del pre-entrenamiento) resulta en un colapso profundo de la diversidad distribucional, limitando las perspectivas distintas necesarias para la exploración creativa y el descubrimiento científico. Para abordar esto, proponemos equipar a los modelos con una Crianza en tiempo de inferencia (trayectorias epistémicas individualizadas) utilizando el paradigma de la Evolución Epistémica, que progresa a través de las fases de explorar, internalizar y expresar. Instanciamos esto mediante PRISM (Razonamiento Pluralista mediante Modelado de Estructura en Contexto), un sistema agnóstico al modelo que aumenta un LLM con Grafos Epistémicos Dinámicos de Manera Improvisada (On-the-fly). En tres benchmarks de creatividad, PRISM logra una novedad de vanguardia y expande significativamente la diversidad distribucional. Además, evaluamos la utilidad en el mundo real mediante un benchmark desafiante de diagnóstico de enfermedades raras. Los resultados demuestran que PRISM descubre con éxito diagnósticos correctos de la cola larga que los LLM estándar pasan por alto, confirmando que su divergencia surge de una exploración significativa y no de ruido incoherente. En general, este trabajo establece un nuevo paradigma para la IA Pluralista, moviéndose más allá del consenso monolítico hacia un ecosistema diverso de individuos cognitivos únicos capaces de un descubrimiento colectivo y multi-perspectiva.
English
Large Language Models (LLMs) are converging towards a singular Artificial Hivemind, where shared Nature (pre-training priors) result in a profound collapse of distributional diversity, limiting the distinct perspectives necessary for creative exploration and scientific discovery. To address this, we propose to equip models with inference-time Nurture (individualized epistemic trajectories) using Epistemic Evolution paradigm, progressing through explore, internalize, and express. We instantiate this via PRISM (Pluralistic Reasoning via In-context Structure Modeling), a model-agnostic system that augments LLM with dynamic On-the-fly Epistemic Graphs. On three creativity benchmarks, PRISM achieves state-of-the-art novelty and significantly expands distributional diversity. Moreover, we evaluate the real-world utility via a challenging rare-disease diagnosis benchmark. Results demonstrate that PRISM successfully uncovers correct long-tail diagnoses that standard LLM miss, confirming that its divergence stems from meaningful exploration rather than incoherent noise. Overall, this work establishes a new paradigm for Pluralistic AI, moving beyond monolithic consensus toward a diverse ecosystem of unique cognitive individuals capable of collective, multi-perspective discovery.