Модели рассуждений порождают сообщества мысли

Аннотация

Крупные языковые модели демонстрируют выдающиеся способности в различных областях, однако механизмы, лежащие в основе сложных рассуждений, остаются не до конца изученными. Недавно разработанные модели для рассуждений превосходят аналогичные инструктивно-настроенные модели в решении сложных когнитивных задач, что связывают с расширенными вычислениями за счет более длинных цепочек мыслей. В данной работе мы показываем, что улучшенные рассуждения возникают не только благодаря расширенным вычислениям, но и за счет симуляции подобных многoагентным взаимодействиям — «сообщества мыслей», — которое позволяет диверсифицировать и обсуждать внутренние когнитивные перспективы, характеризующиеся различными личностными чертами и предметными экспертизами. С помощью количественного анализа и методов механистической интерпретируемости, примененных к трассировкам рассуждений, мы обнаруживаем, что модели для рассуждений, такие как DeepSeek-R1 и QwQ-32B, демонстрируют значительно большее разнообразие перспектив по сравнению с инструктивно-настроенными моделями, активируя более широкий конфликт между гетерогенными признаками, связанными с личностью и экспертизой, в процессе рассуждения. Эта многоагентная структура проявляется в коммуникативных поведениях, включая ответы на вопросы, смену перспектив и примирение конфликтующих взглядов, а также в социально-эмоциональных ролях, характеризующих острые диалоги, что в совокупности объясняет преимущество в точности при решении задач на рассуждение. Контролируемые эксперименты с обучением с подкреплением показывают, что базовые модели усиливают коммуникативные поведения, когда поощряются исключительно за точность рассуждений, а донастройка моделей с коммуникативными scaffolding-методами ускоряет улучшение рассуждений по сравнению с базовыми моделями. Эти результаты указывают на то, что социальная организация мышления позволяет эффективно исследовать пространства решений. Мы предполагаем, что модели для рассуждений создают вычислительную параллель коллективному интеллекту в человеческих группах, где разнообразие обеспечивает превосходное решение проблем при систематической структуризации, что открывает новые возможности для организации агентов с целью использования коллективной мудрости.

English

Large language models have achieved remarkable capabilities across domains, yet mechanisms underlying sophisticated reasoning remain elusive. Recent reasoning models outperform comparable instruction-tuned models on complex cognitive tasks, attributed to extended computation through longer chains of thought. Here we show that enhanced reasoning emerges not from extended computation alone, but from simulating multi-agent-like interactions -- a society of thought -- which enables diversification and debate among internal cognitive perspectives characterized by distinct personality traits and domain expertise. Through quantitative analysis and mechanistic interpretability methods applied to reasoning traces, we find that reasoning models like DeepSeek-R1 and QwQ-32B exhibit much greater perspective diversity than instruction-tuned models, activating broader conflict between heterogeneous personality- and expertise-related features during reasoning. This multi-agent structure manifests in conversational behaviors, including question-answering, perspective shifts, and the reconciliation of conflicting views, and in socio-emotional roles that characterize sharp back-and-forth conversations, together accounting for the accuracy advantage in reasoning tasks. Controlled reinforcement learning experiments reveal that base models increase conversational behaviors when rewarded solely for reasoning accuracy, and fine-tuning models with conversational scaffolding accelerates reasoning improvement over base models. These findings indicate that the social organization of thought enables effective exploration of solution spaces. We suggest that reasoning models establish a computational parallel to collective intelligence in human groups, where diversity enables superior problem-solving when systematically structured, which suggests new opportunities for agent organization to harness the wisdom of crowds.

Модели рассуждений порождают сообщества мысли

Reasoning Models Generate Societies of Thought

Аннотация

Support