CreativityNeuro：通过权重引导激发大模型发散思维，遏制模式崩溃
大语言模型（LLM）在开放式创意任务中常表现出“人工蜂巢效应”——不同模型对同一问题给出的回答高度相似，缺乏多样性。针对这一痛点，来自伊利诺伊大学厄巴纳-香槟分校和IBM研究院的研究团队提出了 CreativityNeuro，一种无需数据、无需重训练或梯度微调的方法，通过对比权重引导（contrastive weight steering）显著提升模型的发散思维能力。该论文已被 ICML 2026 创造力与生成式AI研讨会 接收。
方法：从激活空间到权重空间
现有的创意增强技术多采用激活引导（activation steering），即在推理时调整模型内部激活值。但CreativityNeuro另辟蹊径，直接在权重空间进行操作。其核心思想是：构建一对“创意”与“保守”的模型副本，通过对比它们权重的差异，得到一个引导方向向量，然后将该向量叠加到原始模型参数上，从而在推理时持续偏向更具发散性的输出。这一过程不需要任何标注数据，完全基于模型自身的表征差异。
效果：多项指标显著提升
研究者在多个经典创造力评估任务上进行了测试：
- 发散联想任务（DAT）：CreativityNeuro将模型得分提升了最多 14个人类百分位点，相当于从普通人水平跃升至创意写作群体中位数以上。
- 替代用途测试（AUT） 与 故事任务：在包含 720人次 的大规模人工评估中，模型在原创性、惊喜度和整体创造力等维度上均获得显著提升。评审者认为生成的回答更具新意，且不易被预测。
- 模式崩溃（mode collapse）指标：在所有三个任务中，CreativityNeuro均有效降低了输出重复度，模型倾向于生成更多样化的内容。
对比：权重引导优于激活引导
研究还发现，尽管激活引导在DAT上也能取得相近表现，但无法泛化到更长的开放式任务（如AUT和故事生成）。相比之下，权重引导的CreativityNeuro在未见过的任务类型上依然保持优势，说明其引导效果更本质、更稳定。
意义与局限
CreativityNeuro为提升LLM创造力提供了一条轻量级、即插即用的路径。它不改变模型架构，不依赖昂贵的人工标注，也不引入额外的推理延迟。研究者指出，该方法尤其适用于需要高多样性输出的场景，如创意写作、头脑风暴辅助、游戏NPC对话生成等。
不过，论文也承认当前实验主要基于特定基座模型（如Llama系列），未来需要验证其在更大规模模型和更多任务上的泛化能力。此外，如何平衡发散性与连贯性、避免因过度追求新颖导致内容偏离常识，仍是值得探索的方向。
总结
CreativityNeuro通过简单的权重对比操作，有效缓解了LLM在创意任务中的“同质化”倾向，为AI创造力研究提供了新的工具。随着大模型在辅助人类创意方面的应用日益广泛，如何让机器“想出不一样的点子”正成为关键问题，而这项研究给出了一个务实的答案。