CreativityNeuro：通过权重对比引导提升大模型发散思维

背景

大语言模型（LLMs）在开放式问题上的表现日益接近人脑的“人工蜂群效应”（artificial hivemind effect），即模型倾向于对创意任务输出高度一致、缺乏多样性的答案。这种趋同现象严重限制了LLM在真正创造性场景中的应用价值，例如创意生成、问题解决和创新设计等领域。

CreativityNeuro正是针对这一问题提出的解决方案：一种无需数据、无需重新训练、无需梯度微调的方法，通过对比权重空间（contrastive weight steering）直接引导模型权重，显著提升模型的发散性思维能力，并有效降低模式崩塌（mode collapse）现象。

核心内容

CreativityNeuro基于对比权重调整机制，采用数据无关的方式实现对LLM权重的定向引导。作者通过对比实验验证了该方法在多个创造力评估任务中的有效性。

在词汇空间创造力测试——Divergent Association Task（DAT）上，CreativityNeuro将性能提升至最高14个人类百分位点。这一结果证明该方法能够有效增强模型在词汇关联上的发散度。

在更大规模的人类评估中（N=720），CreativityNeuro在Alternative Uses Test（AUT）和Task Task上的表现显著优于基准模型，具体体现在原创性（originality）、惊喜感（surprise）和整体创造力（creativity）三个维度上。实验进一步表明，这种提升能够迁移至更长形式和更开放式的任务场景。

最重要的是，CreativityNeuro在所有三个评估任务中均有效降低了模式崩塌指标，表明模型不再局限于单一生成路径，而是具备了更丰富的生成多样性。

相比之下，激活空间导向（activation steering）在DAT上与CreativityNeuro取得了相当的性能提升，但无法成功迁移到AUT和Task Task。这进一步证明，权重空间导向在跨任务泛化方面具有更强的优势。

综上所述，CreativityNeuro无需依赖行为数据、重新训练或梯度优化操作，是一种简洁高效的LLM创造力增强途径，能够直接应用于创意相关领域。

关键要点

• 提出CreativityNeuro：数据无关的对比权重导向方法，通过直接调整模型权重提升发散性思维，无需行为数据、重新训练或梯度微调
• DAT（词汇空间创造力测试）表现：最高提升14个人类百分位点
• 大规模人类评估（N=720）：在AUT和Task Task上显著提升原创性、惊喜感和创造力，可迁移至更长形式任务
• 模式崩塌降低：所有评估任务中均观察到模式崩塌指标下降，模型生成路径更丰富
• 激活导向对比：激活空间导向在DAT上效果接近，但无法泛化到AUT和Task Task，凸显权重空间导向的跨任务优势
• 总体优势：无需数据/训练即可改善LLM在创意领域的性能，提供简单有效增强方式

意义与影响

CreativityNeuro为LLM创造力优化开辟了新的范式，彻底解决了传统微调方法的高成本与数据依赖问题，极大地降低了部署门槛。

该方法不仅能直接提升创意生成能力，还能有效缓解LLM在开放式任务中的趋同现象，使模型更加适合创新型应用场景，例如自动创意工具、头脑风暴辅助系统或长文本创作辅助等。

权重空间导向的跨任务泛化能力更是其亮点：即使在从未见过的开放式任务上也能持续提升性能，表明该技术具有更强的鲁棒性和适用性。

总体而言，CreativityNeuro为未来LLM在创造性领域的普及应用提供了实用路径，有望推动大模型从“一致回答者”向“真正智能生成者”转变，加速AI在人类创新工作流中的深度融合。