Gedeelde Aard, Unieke Omgeving: PRISM voor Pluralistisch Redeneren via In-context Structuurmodellering
Shared Nature, Unique Nurture: PRISM for Pluralistic Reasoning via In-context Structure Modeling
February 24, 2026
Auteurs: Guancheng Tu, Shiyang Zhang, Tianyu Zhang, Yi Zhang, Diji Yang
cs.AI
Samenvatting
Grote Taalmodellen (GTM'en) convergeren naar een enkelvoudig Artificieel Superbrein, waarbij gedeelde Aanleg (a-priori voorkennis uit pre-training) leidt tot een diepgaande ineenstorting van de distributie-diversiteit. Dit beperkt de distinctieve perspectieven die noodzakelijk zijn voor creatieve verkenning en wetenschappelijke ontdekking. Om dit aan te pakken, stellen we voor om modellen uit te rusten met inference-tijd Ontwikkeling (geïndividualiseerde epistemische trajecten) via het paradigma van Epistemische Evolutie, dat doorloopt via verkennen, internaliseren en uiten. We concretiseren dit met PRISM (Pluralistisch Redeneren via In-context Structuurmodellering), een model-agnostisch systeem dat GTM's versterkt met dynamische Epistemische Grafen die On-the-fly worden gegenereerd. Op drie creativiteitsbenchmarks behaalt PRISM state-of-the-art nieuwheid en vergroot het de distributie-diversiteit aanzienlijk. Bovendien evalueren we de praktische bruikbaarheid via een uitdagende benchmark voor de diagnose van zeldzame ziekten. Resultaten tonen aan dat PRISM met succes correcte diagnoses uit de lange staart van de verdeling blootlegt die standaard GTM's missen, wat bevestigt dat de divergentie voortkomt uit betekenisvolle verkenning en niet uit onsamenhangende ruis. Over het geheel genomen vestigt dit werk een nieuw paradigma voor Pluralistische AI, dat voorbij monolithische consensus beweegt naar een divers ecosysteem van unieke cognitieve individuen die in staat zijn tot collectieve, multi-perspectivische ontdekking.
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.