使用发散-收敛思维的大型语言模型改进创造性问题生成Paper#llm🔬 Research|分析: 2026年1月3日 18:36•发布: 2025年12月29日 16:53•1分で読める•ArXiv分析本文解决了LLM的一个关键限制：产生同质化输出的倾向，这阻碍了生成的教育材料的多样性。所提出的CreativeDC方法，灵感来自创造力理论，通过明确引导LLM经历发散和收敛思维阶段，提供了一个有前景的解决方案。使用多样化指标和扩展分析进行的评估为该方法在提高多样性和新颖性的同时保持实用性提供了有力证据。这对于希望利用LLM创建引人入胜且多样化的学习资源的教育工作者来说意义重大。要点•LLM 经常产生相似的输出，限制了生成的教育内容的多样性。•CreativeDC 是一种两阶段提示方法，通过结合发散和收敛思维来解决这个问题。•该方法显着提高了生成问题的多样性和新颖性，同时保持了实用性。•扩展分析表明，CreativeDC 生成了更多有效数量的不同问题。引用 / 来源查看原文"CreativeDC achieves significantly higher diversity and novelty compared to baselines while maintaining high utility."AArXiv2025年12月29日 16:53* 根据版权法第32条进行合法引用。较旧Distribution-Free Process Monitoring with Conformal Prediction较新Three-dimensional modelling of serrated trailing-edge noise based on the Wiener-Hopf technique相关分析Paper基于选择策略的协调人形机器人操作2026年1月3日 06:10Paper从未对齐图像即时进行3D场景编辑2026年1月3日 06:10Paper用于未来预测的LLM预测2026年1月3日 06:10来源: ArXiv