探索跳跃式思维链：DeepSeek创造力垫底，Qwen系列接近人类顶尖水平

aixiv专栏持续关注并报道全球顶尖ai研究成果。多年来，我们已发布超过2000篇学术及技术文章，涵盖众多高校和企业实验室的领先研究。欢迎优秀研究者投稿或联系我们进行报道。投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com

当前，大语言模型(LLM)的创造力（Leap-of-Thought），与逻辑思维能力(Chain-of-Thought)同样重要，却鲜有深入探讨。这制约了LLM创造力发展，主要原因在于缺乏合适的自动化评估方法。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

^{图 1}

以往的LLM创造力评估多采用选择、排序等方法，这些方法虽然适用于逻辑思维能力评估，却难以有效衡量创造力。例如，要求根据图片和文字补充一句话，使其富有创造力和幽默感。如果提供选项“A. 可以帮忙扶一下我吗？”和“B. 可以帮我解开手铐吗？”，LLM可能无需创造力便选择B，因为B更独特。 ^{图 2}

LLM创造力评估应侧重于“生成创新内容的能力”，而非“判断创新内容的能力”。目前，人类评估和LLM-as-a-judge两种方法较为常用。人类评估准确率高，但成本高且不可持续；LLM-as-a-judge方法（通过zero-shot或fine-tuning LLM进行评分）尚处于初级阶段，稳定性不足。

为此，来自中大、哈佛、鹏城和新加坡管理大学的研究者提出了一种新的评估范式——LoTbench。该方法通过研究LLM生成高质量创新内容所需的“代价”（即LLM生成内容与人类水平创新内容的差距）来评估创造力，并已发表在IEEE TPAMI期刊上。

• 论文题目：A Causality-aware Paradigm for Evaluating Creativity of Multimodal Large Language Models
• 论文链接：https://www./link/a64bcca2a087451831e31b6d339940b9
• 项目主页：https://www./link/4c21c9d351543562af3562a7add8685f

任务场景及内容

LoTbench基于CVPR'24的“梗王”大模型研究（Let's Think Outside the Box: Exploring Leap-of-Thought in Large Language Models with Creative Humor Generation），其核心任务是根据图片和文字补充一句话，使其富有创造力和幽默感（类似于日本“大喜利”游戏）。此类任务具有以下特点：

1. 高度依赖创造力；
2. 适合多模态LLM的输入输出格式；
3. 拥有大量高质量人类标注数据。

LoTbench通过计算LLM生成高质量创新内容所需的轮数来衡量创造力。轮数越少，创造力越高；轮数无限则创造力为零。 ^{图 3 图 4}

LoTbench的具体流程如图4所示，包括：

1. 选择高质量人类创新内容（HHCR）数据；
2. LLM多轮生成响应，判断是否与HHCR“异曲同工”（DAESO）；
3. LLM提出疑问，系统根据HHCR返回答案；
4. 更新交互信息，循环步骤1。

创造力分数Sc的计算考虑了HHCR样本数量和重复实验次数。

异曲同工之妙（DAESO）的判断

由于创造力任务的多样性，需要判断两个响应是否“异曲同工”。这需要满足两个条件：

1. 相同的核心创新解释；
2. 相同的功能相似性。

功能相似性与语义相似性有所不同。 ^{图 5 图 6}

通过对HHCR进行详细解释标注，并利用LLM构建因果链条，可以实现对DAESO的判断。基于GPT-4，准确率可达80%-90%。

测评结果

LoTbench对主流LLM的测评结果显示，当前LLM的创造力仍有提升空间，但具备超越人类的潜力。 ^{图 7 图 8} 更多细节请参考原文。