ReMIND 框架問世：模組化 LLM 協作實現創意與穩定兼顧

大型語言模型（LLM）在問題解決與創意發想上的應用日益廣泛，然而如何在生成新穎想法時同時維持連貫性，一直是技術難題。高溫取樣雖能促進原創性，卻常犧牲一致性與實用性。為此，研究團隊提出 ReMIND 框架，透過四個階段的模組化協作來解決此問題。

ReMIND 的四階段運作機制

ReMIND 框架包含四個階段：首先「喚醒」階段透過低溫生成建立穩定的語義基線；接著「夢境」階段進行高溫探索性生成；然後「評判」階段評估候選輸出的一致性，並提取新穎想法；最後「再喚醒」階段將選取的想法整合為連貫的最終輸出。這些功能被分配給獨立的 LLM 模組，明確分離探索與穩定化過程。

實驗結果與發現

研究團隊使用多種創意發想任務系統性評估不同模型配置。外部評估顯示，新穎性提升可經由兩個可區分的階段實現：從喚醒到夢境階段的高溫探索，以及從夢境到再喚醒階段的評判選擇與整合。值得注意的是，不同 LLM 家族展現出截然不同的功能傾向。

研究意義與未來方向

研究人員指出，LLM 的創意發想並非單一模型的固有屬性，而是來自於被分配特定認知角色的模型之間的互動。ReMIND 提供了一個通用框架來研究計算創造力，並展示模組化 LLM 協作如何橋接探索性生成與連貫想法形成之間的鴻溝。

延伸閱讀

• 「SopriBench」與「Argus」：多模態跨貼文隱私洩漏基準與溯因推理框架解析
• SenBen：以場景圖與知識蒸餾構建可解釋的敏感內容審查基準
• FoodMonitor 基準：以逐幀定位與結構化生成評估廚房合規監測的多模態大語言模型

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。