Chain of Mindset：以自适应认知模式进行推理

摘要

人类的问题解决从不是单一思维定式的重复，这里所说的思维定式（mindset）指一种独特的认知加工模式。在处理特定任务时，我们并不依赖单一思维定式，而是在同一求解过程中整合多种思维定式。然而，现有LLM推理方法陷入一个共同陷阱：它们在所有步骤中套用同一种固定思维定式，忽视了同一问题的不同求解阶段需要根本不同的思维定式。这种单一思维定式的假设阻碍模型达到下一层次的智能。为解决这一局限，我们提出Chain of Mindset（CoM），一个免训练的智能体框架，实现步骤级的自适应思维定式编排。CoM把推理分解为四种功能异质的思维定式：空间型（Spatial）、聚合型（Convergent）、发散型（Divergent）与算法型（Algorithmic）。一个Meta-Agent根据不断演化的推理状态动态选择最优思维定式，同时一个双向上下文门（Context Gate）过滤跨模块信息流，以保持有效性与效率。在涵盖数学、代码生成、科学问答和空间推理的六个具挑战基准上的实验表明，CoM取得最先进性能，在Qwen3-VL-32B-Instruct与Gemini-2.0-Flash上总体准确率分别超出最强基线4.96%与4.72%，同时兼顾推理效率。代码已在 https://github.com/QuantaAlpha/chain-of-mindset 公开发布。

Chain of Mindset：以自适应认知模式进行推理 — 图3：Chain of Mindset框架概览。左：Meta-Agent作为元认知编排器运行，迭代地生成认知决策（<cognitive_decision>），通过调用指令（<call_mindset>）把子任务分派给专门的mindset，接收汇总后的结果（<mindset_result>），并在产生最终答案之前内化关键洞见（<Insight>）。当中间结果表明需要重新规划时，该agent可以修订其计划。右：Mindset Experts由四个异构模块组成——Divergent（发散）、Algorithmic（算法）、Convergent（收敛）与Spatial（空间）——每个模块提供不同的认知能力。双向的Context Gate居中调解信息流：Input Gate为mindset的执行过滤相关历史，而Output Gate把冗长的推理轨迹提炼为简明结果，供主链使用。