Natura Condivisa, Educazione Unica: PRISM per il Ragionamento Pluralistico tramite Modellazione Strutturale In-Contesto
Shared Nature, Unique Nurture: PRISM for Pluralistic Reasoning via In-context Structure Modeling
February 24, 2026
Autori: Guancheng Tu, Shiyang Zhang, Tianyu Zhang, Yi Zhang, Diji Yang
cs.AI
Abstract
I Modelli Linguistici di Grande Dimensione (LLM) stanno convergendo verso un unico Intelletto Collettivo Artificiale, in cui una Natura condivisa (pregiudizi di pre-addestramento) determina un profondo collasso della diversità distribuzionale, limitando le prospettive distinte necessarie per l'esplorazione creativa e la scoperta scientifica. Per affrontare questo problema, proponiamo di dotare i modelli di una Cura (traiettorie epistemiche individualizzate) al momento dell'inferenza, utilizzando il paradigma dell'Evoluzione Epistemica, che progredisce attraverso le fasi di esplorazione, interiorizzazione ed espressione. Istanziamo questo approccio tramite PRISM (Ragionamento Pluralistico tramite Modellazione Strutturale In-Contesto), un sistema agnostico rispetto al modello che potenzia gli LLM con Grafi Epistemici Dinamici On-the-fly. Su tre benchmark di creatività, PRISM raggiunge uno stato dell'arte in termini di novità e amplifica significativamente la diversità distribuzionale. Inoltre, valutiamo l'utilità nel mondo reale attraverso un benchmark impegnativo sulla diagnosi di malattie rare. I risultati dimostrano che PRISM scopre con successo diagnosi corrette ma rare che i LLM standard non individuano, confermando che la sua divergenza origina da un'esplorazione significativa piuttosto che da rumore incoerente. Nel complesso, questo lavoro stabilisce un nuovo paradigma per l'IA Pluralistica, spostandosi oltre un consenso monolitico verso un ecosistema diversificato di individui cognitivi unici, capaci di una scoperta collettiva e multi-prospettica.
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.