arXiv cs.AI· Yuto Suzuki, Farnoush Banaei-Kashani·· 10 天前AI 评分24
Universe of Thoughts（UoT）：面向大语言模型创造性推理的计算框架
Universe of Thoughts: A Computational Framework for Creative Reasoning in Large Language Models
AI 导读
研究者提出 Universe of Thoughts（UoT）框架，将组合式、探索式和转换式创造力形式化为可执行的计算算子，并实例化为 LLM 推理框架。在 HypoArena 的 100 项科学假设生成任务上，基于 Qwen3-14B 的 Exploratory UoT 以 32.7% 成对胜率在七种推理方法中排名第一，次优方法为 25.5%。
正文 · AI 翻译
摘要：大语言模型（LLM）推理的最新进展改进了常规问题求解，但创造性推理相对而言仍探索不足。受认知科学启发，我们将组合式、探索式和转化式创造力形式化为结构化问题空间与解空间上的可执行计算算子，并明确每种模式如何组合、探索或转化这些空间。组合式推理跨领域迁移思想以形成不熟悉的组合；探索式推理在既有概念空间内寻找新解；转化式推理则修改定义该空间的规则或约束。这一形式化产生了不同的算法流程，我们将其实例化为思维宇宙（Universe of Thoughts，UoT）这一 LLM 推理框架。现有创造力基准要么强调开放式构思，要么强调高度受限的问题求解。因此，我们引入了三项新颖的创造性推理任务，要求在低约束设定下给出具体解。在每种方法和任务各进行 10 次生成的情况下，使用 GPT-4o 的 T-UoT 在低约束、高目标特异性的 Bridge 和 Electricity 任务上表现最强，而 C-UoT 在低约束、较低目标特异性的 Society 任务上表现出最强的相对性能。此外，我们在 HypoArena 上评估了 UoT，这是一个独立的科学假设生成基准，包含生物医学、机器学习和社会科学领域的 100 项任务。使用 Qwen3-14B 时，探索式 UoT 在七种推理方法中排名第一，成对胜率为 32.7\%，而次优方法为 25.5\%。我们的结果表明，不同任务结构下存在不同的性能模式：T-UoT 在低约束、高特异性设定中最强，E-UoT 在约束更强、高特异性的设定中最强，而 C-UoT 在低约束、较低特异性的设定中最强。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2511.20471 [cs.AI] |
| （或 arXiv:2511.20471v3 [cs.AI] 对应此版本） | |
| https://doi.org/10.48550/arXiv.2511.20471 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Yuto Suzuki [查看电子邮件]
[v1]
2025年11月25日星期二 16:34:59 UTC（749 KB）
[v2]
2025年11月26日星期三 02:28:35 UTC（749 KB）
[v3]
2026年10月6日星期二 15:08:49 UTC（1,710 KB）
来源：arXiv cs.AI · arxiv.org