HEART：基于情感驱动的语言模型测试时扩展
计算与语言
2026-02-24 v6 机器学习
摘要
测试时扩展显著提升了人工智能模型解决问题的方式，然而当前方法常常陷入重复、错误的思维模式。我们提出 HEART 框架，利用情感线索引导模型聚焦，类似于情感对人类决策的贡献方式。通过在用于强化错误检测的批判性语气和用于激发新想法的鼓励性语气之间交替，HEART 帮助模型打破死胡同推理，找到正确解决方案。我们在七个高难度基准测试上评估 HEART——包括 Humanity's Last Exam、GPQA Diamond 和 LiveCodeBench——展示了其在不同模型上的鲁棒性。结果表明，情感促进了更深层次的推理，相较于无情感影响的基线方法，带来了持续的准确率提升。这些发现表明，机器推理的下一个前沿在于战略性整合情感调节以引导逻辑综合。
引用
@article{arxiv.2509.22876,
title = {HEART: Emotionally-Driven Test-Time Scaling of Language Models},
author = {Gabriela Pinto and Palash Goyal and Mihir Parmar and Yiwen Song and Souradip Chakraborty and Zifeng Wang and Jinsung Yoon and Tomas Pfister and Hamid Palangi},
journal= {arXiv preprint arXiv:2509.22876},
year = {2026}
}