Catena della Mentalità: Ragionare con Modalità Cognitive Adattive
Chain of Mindset: Reasoning with Adaptive Cognitive Modes
February 10, 2026
Autori: Tianyi Jiang, Arctanx An, Hengyi Feng, Naixin Zhai, Haodong Li, Xiaomin Yu, Jiahui Liu, Hanwen Du, Shuo Zhang, Zhi Yang, Jie Huang, Yuhua Li, Yongxin Ni, Huacan Wang, Ronghao Chen
cs.AI
Abstract
La risoluzione umana dei problemi non è mai la ripetizione di un singolo *mindset*, intendendo con questo termine un modo distinto di elaborazione cognitiva. Nell'affrontare un compito specifico, non ci affidiamo a un unico mindset; piuttosto, integriamo molteplici mindset all'interno del singolo processo risolutivo. Tuttavia, i metodi di ragionamento degli LLM esistenti cadono in una trappola comune: applicano lo stesso mindset fisso a tutti i passaggi, trascurando il fatto che le diverse fasi della risoluzione dello stesso problema richiedono mindset fondamentalmente diversi. Questo presupposto di uniformità mentale impedisce ai modelli di raggiungere il livello successivo di intelligenza. Per affrontare questa limitazione, proponiamo *Chain of Mindset* (CoM), un framework agentivo *training-free* che abilita un'orchestrazione adattiva dei mindset a livello di passo. CoM scompone il ragionamento in quattro mindset funzionalmente eterogenei: Spaziale, Convergente, Divergente e Algoritmico. Un Meta-Agente seleziona dinamicamente il mindset ottimale in base allo stato di ragionamento in evoluzione, mentre un Cancello Contestuale bidirezionale filtra il flusso di informazioni tra i moduli per mantenere efficacia ed efficienza. Esperimenti su sei benchmark complessi che spaziano dalla matematica alla generazione di codice, da QA scientifici al ragionamento spaziale, dimostrano che CoM raggiunge prestazioni allo stato dell'arte, superando la baseline più forte del 4,96% e del 4,72% in accuratezza complessiva rispettivamente su Qwen3-VL-32B-Instruct e Gemini-2.0-Flash, bilanciando al contempo l'efficienza del ragionamento. Il nostro codice è pubblicamente disponibile all'indirizzo https://github.com/QuantaAlpha/chain-of-mindset.
English
Human problem-solving is never the repetition of a single mindset, by which we mean a distinct mode of cognitive processing. When tackling a specific task, we do not rely on a single mindset; instead, we integrate multiple mindsets within the single solution process. However, existing LLM reasoning methods fall into a common trap: they apply the same fixed mindset across all steps, overlooking that different stages of solving the same problem require fundamentally different mindsets. This single-minded assumption prevents models from reaching the next level of intelligence. To address this limitation, we propose Chain of Mindset (CoM), a training-free agentic framework that enables step-level adaptive mindset orchestration. CoM decomposes reasoning into four functionally heterogeneous mindsets: Spatial, Convergent, Divergent, and Algorithmic. A Meta-Agent dynamically selects the optimal mindset based on the evolving reasoning state, while a bidirectional Context Gate filters cross-module information flow to maintain effectiveness and efficiency. Experiments across six challenging benchmarks spanning mathematics, code generation, scientific QA, and spatial reasoning demonstrate that CoM achieves state-of-the-art performance, outperforming the strongest baseline by 4.96\% and 4.72\% in overall accuracy on Qwen3-VL-32B-Instruct and Gemini-2.0-Flash, while balancing reasoning efficiency. Our code is publicly available at https://github.com/QuantaAlpha/chain-of-mindset{https://github.com/QuantaAlpha/chain-of-mindset}.