Cadeia de Mentalidade: Raciocínio com Modos Cognitivos Adaptativos
Chain of Mindset: Reasoning with Adaptive Cognitive Modes
February 10, 2026
Autores: 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
Resumo
A resolução de problemas pelo ser humano nunca é a repetição de uma única *mindset* (mentalidade ou modelo mental), termo pelo qual nos referimos a um modo distinto de processamento cognitivo. Ao enfrentar uma tarefa específica, não dependemos de uma única mentalidade; em vez disso, integramos múltiplas mentalidades dentro do único processo de solução. No entanto, os métodos de raciocínio de LLMs existentes caem numa armadilha comum: aplicam a mesma mentalidade fixa em todas as etapas, ignorando que diferentes fases da resolução do mesmo problema exigem mentalidades fundamentalmente diferentes. Esta suposição de mentalidade única impede que os modelos atinjam o próximo nível de inteligência. Para superar esta limitação, propomos a *Chain of Mindset* (CoM), uma estrutura agentiva sem necessidade de treino que permite uma orquestração adaptativa de mentalidades ao nível da etapa. A CoM decompõe o raciocínio em quatro mentalidades funcionalmente heterogéneas: Espacial, Convergente, Divergente e Algorítmica. Um *Meta-Agente* seleciona dinamicamente a mentalidade ótima com base no estado de raciocínio em evolução, enquanto um *Context Gate* (Portão de Contexto) bidireccional filtra o fluxo de informação entre módulos para manter a eficácia e a eficiência. Experiências em seis *benchmarks* desafiadores, abrangendo matemática, geração de código, QA científico e raciocínio espacial, demonstram que a CoM atinge um desempenho de ponta, superando a linha de base mais forte em 4,96% e 4,72% na precisão global nos modelos Qwen3-VL-32B-Instruct e Gemini-2.0-Flash, respetivamente, equilibrando simultaneamente a eficiência do raciocínio. O nosso código está publicamente disponível em 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}.