Общая природа, уникальное развитие: PRISM для плюралистического рассуждения через контекстуальное моделирование структур
Shared Nature, Unique Nurture: PRISM for Pluralistic Reasoning via In-context Structure Modeling
February 24, 2026
Авторы: Guancheng Tu, Shiyang Zhang, Tianyu Zhang, Yi Zhang, Diji Yang
cs.AI
Аннотация
Крупные языковые модели (LLM) движутся к единому искусственному коллективному разуму, где общая природа (априорные предпосылки предварительного обучения) приводит к глубокому коллапсу распределительного разнообразия, ограничивая уникальные перспективы, необходимые для творческого поиска и научных открытий. Для решения этой проблемы мы предлагаем наделять модели воспитанием в момент вывода (индивидуализированными эпистемическими траекториями) с использованием парадигмы Эпистемической Эволюции, проходящей этапы исследования, усвоения и выражения. Мы реализуем это с помощью PRISM (Плюралистические рассуждения через моделирование контекстной структуры) — модели-агностической системы, которая расширяет LLM за счет динамических оперативных эпистемических графов. На трех тестах на креативность PRISM демонстрирует наивысшую новизну и значительно расширяет распределительное разнообразие. Более того, мы оцениваем практическую полезность на сложном тесте по диагностике редких заболеваний. Результаты показывают, что PRISM успешно выявляет корректные диагнозы из "длинного хвоста", которые стандартные LLM упускают, подтверждая, что его расхождение проистекает из осмысленного исследования, а не из бессвязного шума. В целом, эта работа устанавливает новую парадигму для плюралистического ИИ, выходя за рамки монолитного консенсуса к разнообразной экосистеме уникальных когнитивных индивидов, способных к коллективному, многоперспективному открытию.
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.