Keten van Denkwijze: Redeneren met Adaptieve Cognitieve Modussen
Chain of Mindset: Reasoning with Adaptive Cognitive Modes
February 10, 2026
Auteurs: 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
Samenvatting
Menselijk probleemoplossen is nooit de herhaling van een enkele denkwijze, waarmee we een afzonderlijke modus van cognitieve verwerking bedoelen. Bij het aanpakken van een specifieke taak vertrouwen we niet op één enkele denkwijze; in plaats daarvan integreren we meerdere denkwijzen binnen het enige oplossingsproces. Bestaande LLM-redeneermethoden vallen echter in een veelvoorkomende valkuil: ze passen dezelfde vaste denkwijze toe in alle stappen, waarbij over het hoofd wordt gezien dat verschillende fasen van hetzelfde probleem fundamenteel verschillende denkwijzen vereisen. Deze eenzijdige aanname voorkomt dat modellen het volgende intelligentieniveau bereiken. Om deze beperking aan te pakken, stellen we Chain of Mindset (CoM) voor, een trainingsvrij agentframework dat stapniveau-adaptieve orkestratie van denkwijzen mogelijk maakt. CoM deelt redeneren op in vier functioneel heterogene denkwijzen: Ruimtelijk, Convergent, Divergent en Algoritmisch. Een Meta-Agent selecteert dynamisch de optimale denkwijze op basis van de evoluerende redeneertoestand, terwijl een bidirectionele Contextpoort de informatiestroom tussen modules filtert om effectiviteit en efficiëntie te behouden. Experimenten over zes uitdagende benchmarks op het gebied van wiskunde, codegeneratie, wetenschappelijke Q&A en ruimtelijk redeneren tonen aan dat CoM state-of-the-art prestaties bereikt, met een verbetering van 4,96% en 4,72% in algemene nauwkeurigheid ten opzichte van de sterkste baseline op respectievelijk Qwen3-VL-32B-Instruct en Gemini-2.0-Flash, waarbij tevens de redeneerefficiëntie in balans wordt gehouden. Onze code is openbaar beschikbaar op 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}.