通过结构化重组合提升 LLM 创造力
计算与语言
2025-09-30 v2 人工智能
机器学习
摘要
大型语言模型（LLMs）在诸多任务中表现出色，但在生成真正具有创造性且多样化的想法方面存在挑战。本文引入一种新方法，以增强 LLM 的创造力。我们应用 LLM 在自然语言与结构化表示之间进行翻译，并通过受认知启发的对这些表示进行操作来实现核心的创造性飞跃。我们对创造力的定义超越了表面的 token 级变异；更关键的是，我们重新组合现有想法的结构化表示，使系统能够有效地探索更抽象的想法空间。我们在烹饪领域演示了这一方法，构建了一个名为 DishCOVER 的模型，用于生成具有创造性的食谱。实验和领域专家评估表明，我们的输出大多数情况下都连贯且可行，在新颖性和多样性方面显著超越 GPT-4o，从而在创造性生成方面取得了优异的性能。我们希望本工作能激发进一步的研究，以探索人工智能中的结构化创造力。
引用
@article{arxiv.2504.20643,
title = {Cooking Up Creativity: Enhancing LLM Creativity through Structured Recombination},
author = {Moran Mizrahi and Chen Shani and Gabriel Stanovsky and Dan Jurafsky and Dafna Shahaf},
journal= {arXiv preprint arXiv:2504.20643},
year = {2025}
}
备注
Accepted at TACL; pre-MIT Press publication version