大語言模型在處理開放性問題時常常表現出趨同傾向，即不同提示下的回答高度相似，這種現象被稱為“人工蜂群思維效應”。這種效應嚴重限制了模型的創造性潛力。為了解決這一問題，研究團隊提出了CreativityNeuro，一種無需依賴行為資料、重新訓練或梯度微調的方法，透過對比權重引導來增強發散思維。
該方法透過調整模型權重來鼓勵輸出多樣性，而不是像傳統方法那樣僅修改啟用層。在發散關聯任務（DAT）這一詞彙空間創造力評估中，CreativityNeuro將模型的表現提升了多達14個人類百分位點。隨後，在包含720名參與者的替代用途測試（AUT）和任務任務（Task Task）的大規模人類評估中，該方法在原創性、驚喜度和創造性方面均實現了顯著提升，併成功遷移到更長篇幅和更開放的任務中。
值得關注的是，CreativityNeuro在所有三項測試中均有效降低了模式崩潰現象。與啟用引導方法相比，權重空間引導在未知任務上展現出了更好的泛化能力：啟用引導雖然在DAT上表現與CreativityNeuro相當，但無法遷移到AUT和任務任務，這說明權重空間引導在泛化能力上具有獨特優勢。
該研究成果已被ICML 2026創造力與生成式AI研討會接收。研究者指出，CreativityNeuro為提升LLM在創造性領域的表現提供了一種簡單而有效的途徑，無需額外資料或計算資源，即可顯著改善發散思維並減少模式崩潰。這一發現對於構建更具創造力的AI系統具有重要意義，尤其適用於廣告文案生成、創意寫作、頭腦風暴等需要多樣化輸出的場景。未來工作可能進一步探索權重引導在其他認知任務中的應用。