Общество мыслей: совещание внутри LLM

Общество мыслей: совещание внутри LLM

Вы наверняка слышали про Chain-of-Thought. “Пусть модель думает вслух, и она станет умнее” — звучит логично ^[1], правда? Добавляем “Let’s think step by step” в промпт, модель генерирует больше токенов, качество растёт. Почему это работает — долгое время было неочевидно.

Но вот что странно: DeepSeek-R1, QwQ-32B и модели серии OpenAI o (o1, o3) показывают результаты, которые невозможно объяснить просто “более длинными рассуждениями”. Они решают задачи, на которых обычные модели с Chain-of-Thought спотыкаются. И дело не в размере модели и не в количестве токенов.

Исследователи из Google Research и University of Chicago в статье “Reasoning Models Generate Societies of Thought” ^[2] заглянули внутрь этих моделей — и обнаружили там нечто неожиданное. Внутри reasoning-моделей происходит не монолог. Там идёт совещание — симуляция многоперспективного диалога внутри одной модели. С конфликтами, дебатами и примирением. И это не просто аналогия — это буквальные паттерны в токенах модели.

---

Почему Chain-of-Thought недостаточен

Давайте разберёмся, что не так с классическим подходом.

Chain-of-Thought работает примерно так: модель получает задачу, последовательно выписывает шаги решения, приходит к ответу. Один эксперт думает вслух. Линейно. Без сомнений. Без альтернатив.

Проблема в том, что сложные задачи редко решаются линейно. Когда вы сами решаете трудную проблему, вы:

• Пробуете один подход, упираетесь в стену

• Переключаетесь на другой

• Возвращаетесь к первому с новым пониманием

• Сомневаетесь в своих промежуточных выводах

• Проверяете результат

Instruction-tuned модели этого не делают. Они выбирают один путь и идут по нему до конца. Даже если этот путь ведёт в тупик.

Сравнение подходов

---

Ключевая идея: Society of Thought

Представьте себе совещание в компании. Не формальное, где все кивают головой, а настоящее — где продакт спорит с разработчиком, дизайнер предлагает третий вариант, а тимлид пытается найти компромисс.

Именно это происходит внутри reasoning-моделей.

Исследование показало, что DeepSeek-R1 и QwQ-32B не просто “думают дольше”. Они генерируют внутренний диалог между разными перспективами. Каждая перспектива — это как отдельный эксперт со своим подходом (технически это разные активационные паттерны в одной модели, а не отдельные сущности):

• Перспектива A: “Давайте решим алгебраически”

• Перспектива B: “Нет, геометрический подход нагляднее”

• Перспектива C: “А что если комбинировать оба метода?”

И эти перспективы не просто сосуществуют. Они спорят. Конфликтуют. И в итоге приходят к консенсусу.

Не путать с Mixture of Experts

Звучит похоже на Mixture of Experts (MoE)? Это разные вещи.

Mixture of Experts — архитектурный паттерн. В моделях типа Mixtral или Switch Transformer есть буквально разные подсети-эксперты, и router решает, какого эксперта активировать для каждого токена. Это hardcoded в архитектуре: эксперты существуют как отдельные веса, routing происходит на уровне forward pass.

Society of Thought — эмерджентное поведение ^[3]. Никаких отдельных экспертов в архитектуре нет. Разные “перспективы” — это разные активационные паттерны в одной и той же модели, которые возникают во время генерации. Модель не была спроектирована для этого — она сама научилась переключаться между разными “точками зрения” в процессе рассуждения.

Проще говоря: MoE — это “разные эксперты обрабатывают разные части входа”, а Society of Thought — это “одна модель ведёт внутренний диалог с разных позиций”.

Аналогия с коллективным интеллектом

Почему “внутренний диалог” вообще помогает? В социальной психологии давно известно: группа экспертов с разными точками зрения ^[4] решает сложные задачи лучше, чем один гений ^[5]. Diversity + structured debate = better outcomes.

Reasoning-модели воспроизводят этот принцип внутри себя. Не потому, что их этому учили — а потому, что это работает.

Исторические корни идеи

Концепция “общества внутри разума” не нова. Она имеет глубокие корни:

• Михаил Бахтин (1920-е) — теория диалогизма: мышление ^[6] по своей природе диалогично

• Charles Cooley и George Mead — социальное “я” формируется через внутренний диалог

• Marvin Minsky (1986) — “Society of Mind”: интеллект ^[7] как взаимодействие множества простых агентов

То, что reasoning-модели спонтанно воспроизводят эти паттерны, говорит о том, что внутренний диалог — возможно, фундаментальный механизм сложного мышления.

---

Как это работает: четыре паттерна

Исследователи выделили четыре ключевых паттерна “conversational dynamics” в reasoning-моделях:

1. Question-Answering

Модель задаёт вопросы самой себе:

“Какой метод здесь лучше подойдёт?”

“Попробую подстановку — проще для начала.”

Это не риторические вопросы. Модель реально переключается между режимом “спрашивающего” и “отвечающего”.

2. Perspective Shift

Смена точки зрения на проблему:

“Hmm, алгебраический подход даёт дроби…”

“Давай подумаем иначе. Что если посмотреть геометрически?”

Маркеры: “Actually…”, “Wait, what if…”, “Let me think…”

## 3. Conflict

Конфликт ^[8] между внутренними голосами:

Голос 1: “Подстановка даст дробные числа!”

Голос 2: “Но исключить еще сложнее! “

“Подожди… может, есть третий путь?”

Маркеры: “But…”, “However…”, “Hmm, я не уверен…”

## 4. Reconciliation

Примирение и синтез:

“Оба подхода валидны, но гибридный метод объединяет их преимущества.”

“Проверю результат обоими способами.”

Маркеры: “So…”, “Therefore…”, “Let me verify…”

Сравнение на примере

Чтобы разница была наглядной, посмотрим на упрощённом примере, как instruction-tuned модель и reasoning-модель решают одну и ту же задачу.

Пример: Instruction-tuned модель (линейное рассуждение)

Задача: Решить систему уравнений 5x − 7y = 1 и 3x + 4y = 20

Решение:

Из первого уравнения выразим x: x = (1 + 7y) / 5

Подставим во второе: 3(1 + 7y)/5 + 4y = 20

(3 + 21y)/5 + 4y = 20

3 + 21y + 20y = 100

41y = 97

y = 97/41

x = (1 + 7 * 97/41) / 5 = 144/41

Ответ: x = 144/41, y = 97/41

Характеристики: Линейный поток. Один метод выбран сразу. Нет самопроверки. Нет рассмотрения альтернатив.

Пример: Reasoning-модель (Society of Thought)

Задача: Решить систему уравнений 5x − 7y = 1 и 3x + 4y = 20

[DEFINE] Переформулирую задачу:

Два линейных уравнения, две переменные. Нужно найти x и y.

[BLOOM] Какие подходы возможны?

- Метод подстановки (выразить одну переменную)

- Метод исключения (сложить/вычесть уравнения)

Хм, коэффициенты не очень удобные для исключения...

Но подожди — если умножить первое на 4, а второе на 7...

[PERSPECTIVE SHIFT]

Нет, позволь мне подумать иначе. Подстановка проще для понимания.

Из уравнения (2): x = (20 − 4y)/3

Подставляю в (1): 5[(20 − 4y)/3] − 7y = 1

[CONFLICT]

Подожди, получаются дроби. Может, исключение всё-таки лучше?

Но я уже начал... продолжу и проверю.

Умножаю на 3: 5(20 − 4y) − 21y = 3

100 − 20y − 21y = 3

100 − 41y = 3

y = 97/41

[VERIFICATION]

Хм, проверю: подставлю обратно...

- В уравнение (1): 5*(144/41) − 7*(97/41) = 720/41 − 679/41 = 41/41 = 1 ✓

- В уравнение (2): 3*(144/41) + 4*(97/41) = 432/41 + 388/41 = 820/41 = 20 ✓

[RECONCILIATION]

Оба метода дали бы тот же ответ, но подстановка оказалась достаточно прямолинейной. Проверка подтверждает корректность.

Ответ: x = 144/41, y = 97/41

Характеристики:

– [DEFINE] — переформулировка задачи

– [BLOOM] — генерация альтернативных подходов

– [PERSPECTIVE SHIFT] — смена точки зрения

– [CONFLICT] — внутренний конфликт между подходами

– [VERIFICATION] — самопроверка

– [RECONCILIATION] — примирение, синтез выводов

Обратите внимание ^[9]: оба решения приходят к одному ответу. Но reasoning-модель по пути рассмотрела альтернативы, засомневалась в своём выборе, проверила результат. Это и есть “общество мыслей” в действии.

---

Социо-эмоциональные роли: Bales’ IPA

Четыре паттерна — это только часть картины. Исследователи пошли дальше и применили классический инструмент из социологии: Bales’ Interaction Process Analysis (IPA).

Что такое Bales’ IPA

Это система анализа групповых дискуссий, разработанная социологом Робертом Бейлсом в 1950-х годах. Она выделяет 12 типов коммуникативных актов, которые происходят в любой групповой дискуссии — от совещания в офисе до научного семинара.

Оказалось, что reasoning-модели воспроизводят все эти роли в своих внутренних рассуждениях.

12 ролей внутреннего диалога

Баланс ролей: ключ к эффективности

Важно не просто наличие этих ролей, а их баланс. В исследовании использовали Jaccard index для измерения “reciprocal balance” — насколько сбалансированы парные роли (вопрос-ответ, согласие-несогласие).

Что обнаружили:

• Reasoning-модели (DeepSeek-R1, QwQ) показывают значительно более высокий баланс ролей, чем instruction-tuned модели

• Более высокий баланс коррелирует с более высокой accuracy

• На сложных задачах разница в балансе ещё более выражена

Это похоже на хорошо проведённое совещание: не только споры, но и резюмирование; не только критика, но и конструктивные предложения.

---

Diversity (разнообразие) перспектив: почему разнообразие важно

Исследователи не остановились на ролях. Они проанализировали, насколько разные перспективы внутри reasoning-моделей отличаются друг от друга — и обнаружили, что diversity (разнообразие) играет ключевую роль.

Личностные профили перспектив

Для анализа использовали Big Five — классическую модель личностных черт из психологии:

Оказалось, что в reasoning-моделях разные перспективы имеют различные личностные профили. Одна перспектива может быть высоко по Openness (“а что если попробовать иначе?”), другая — высоко по Conscientiousness (“давай перепроверим”).

Типы перспектив

На практике это выглядит как разные “роли” в команде:

• Critical verifier — высокий Neuroticism, фокус на поиске ошибок

• Creative ideator — высокий Openness, генерация альтернатив

• Systematic executor — высокий Conscientiousness, методичное выполнение

• Integrator — высокий Agreeableness, синтез разных подходов

Expertise diversity

Помимо личностных черт, исследователи измерили “expertise diversity” — насколько разные перспективы используют разные области знаний. Для этого применили cosine distance между embeddings каждой перспективы.

Результат: Reasoning-модели показывают значительно более высокое разнообразие экспертизы между перспективами, чем instruction-tuned модели.

Почему diversity помогает

Разнообразие перспектив решает проблему “echo chamber” — когда все участники дискуссии думают одинаково и усиливают ошибки ^[10] друг друга.

В instruction-tuned моделях рассуждение часто застревает в одном подходе. Если первый шаг был ошибочным, модель продолжает в том же направлении.

В reasoning-моделях разные перспективы могут:

• Заметить ошибку (“Wait, that doesn’t seem right…”)

• Предложить альтернативу (“What if we try…”)

• Проверить результат с другой стороны (“Let me verify by…”)

Валидация на реальных дебатах

Чтобы убедиться, что метрики diversity осмысленны, исследователи проверили их на Intelligence Squared Debates Corpus — базе реальных структурированных дебатов между экспертами.

Корреляция между метриками diversity и качеством дебатов: rho = 0.86 (p < 0.001).

Это подтверждает, что те же паттерны, которые делают человеческие дебаты продуктивными, работают и внутри reasoning-моделей.

---

Что показали эксперименты

Это не просто красивая теория. Исследователи провели серию экспериментов, которые подтвердили причинно-следственную связь.

Эксперимент 1: Количественный анализ

DeepSeek-R1 и QwQ-32B сравнили с instruction-tuned моделями (DeepSeek-V3, Qwen-2.5-32B-Instruct, Llama-3.3-70B-Instruct) на шести бенчмарках:

• BigBench Hard (логика)

• GPQA (graduate-level физика)

• MATH Hard (математика ^[11])

• MMLU-Pro, MUSR, IFEval

Результат: Reasoning-модели показывают статистически значимо больше conversational behaviors (p << 10^-100). Причём разница усиливается на более сложных задачах.

Эксперимент 2: Activation Steering

Исследователи нашли конкретную feature в Sparse Autoencoder (Feature 30939), связанную с маркерами “surprise/realization” — теми самыми “Wait…”, “Hmm…”, “Actually…”.

Эту feature можно искусственно усиливать (+10) или подавлять (-10):

Контраст показателен: при -10 модель перестаёт использовать маркеры типа “Wait…”, “Hmm…” — и accuracy падает вдвое. При +10 маркеры появляются чаще — и accuracy удваивается.

Это доказывает причинно-следственную связь: conversational паттерны не просто коррелируют с accuracy, они её вызывают.

Эксперимент 3: RL без явной награды за диалог

Базовые модели (Qwen-2.5-3B, Llama-3.2-3B) обучали с помощью RL, где награда давалась только за правильный ответ. Никакой явной награды за “conversational behavior”.

Результат: Модели спонтанно увеличивали частоту внутренних диалогов по мере обучения ^[13]. Эволюция ^[14] сама нашла этот паттерн.

Эксперимент 4: Conversational Scaffolding

Модели, которые pre-fine-tuned с примерами диалоговых рассуждений:

• Обучались быстрее

• Достигали более высокой accuracy

• Показывали transfer effects на другие задачи

Эксперимент 5: Transfer Effects

Самый интересный результат — transfer. Модели, обученные conversational reasoning на одной задаче (Countdown — математическая игра), показывали улучшение на совершенно других задачах.

Пример transfer:

• Обучение: Countdown task (комбинаторная математика)

• Тест: Misinformation detection (определение ложной информации)

• Результат: улучшение accuracy без дополнительного обучения

Это говорит о том, что conversational reasoning — не узкий хак для конкретной задачи, а общий навык. Модель учится не “решать математику диалогом”, а “решать сложные задачи через структурированное обсуждение с собой”.

---

Что это значит для разработчиков

Окей, интересная наука ^[15]. Но что с этим делать на практике?

1. Выбор модели

Если ваша задача требует сложных рассуждений (математика, логика, планирование), reasoning-модели типа DeepSeek-R1 или QwQ дадут лучший результат, чем просто “большая instruction-tuned модель”.

Дело не в размере. Дело в паттерне рассуждений.

Конкретные примеры задач для reasoning-моделей:

• Отладка сложного бага с неочевидной причиной

• Архитектурные решения с множеством компромиссов

• Анализ требований с противоречивыми ограничениями

• Математические доказательства и верификация

2. Промпт-инжиниринг

Можно попробовать явно поощрять “conversational” стиль в промптах:

• “Рассмотри несколько подходов”

• “Проверь свои промежуточные выводы”

• “Если сомневаешься — попробуй альтернативный метод”

Это не гарантирует успех с обычными моделями, но может помочь.

3. Fine-tuning

Если вы выполняете fine-tune своей модели, рассмотрите “conversational scaffolding” — включение примеров с внутренним диалогом в обучающие данные.

4. Интерпретация

Когда reasoning-модель выдаёт длинный trace (трассировку) — это не “мусор”. Там реально происходит полезная работа. Изменение точки зрения, конфликты, примирение — все это влияет на качество окончательного ответа.

Когда reasoning-модели НЕ нужны

Reasoning-модели — не серебряная пуля. Они медленнее и дороже, а для некоторых задач просто избыточны.

Используйте обычные instruction-tuned модели, когда:

• Простые фактические вопросы — “Какая столица Франции?” не требует внутренних дебатов

• Творческие задачи без правильного ответа — генерация текста, идей, где нет “верного” решения

• Задачи с требованием быстрого ответа — reasoning-модели генерируют длинные trace (трассировки), что увеличивает latency (задержку)

• Простые линейные решения — если задача решается за 2-3 очевидных шага, “общество мыслей” не даст преимуществ

• Массовые операции — обработка тысяч однотипных запросов, где стоимость одного токена имеет решающее значение

Правило: если задача не вызывает у вас самих желания “подумать с разных сторон” — скорее всего, reasoning-модель избыточна.

---

Заключение

Основной вывод исследования заключается в том, что совершенствование мышления в современных моделях заключается не только в “большем количестве токенов” или “большем количестве вычислений”. Это качественно иной образ мышления.

Reasoning-модели научились имитировать коллективный интеллект:

• Четыре паттерна (вопросы, смена перспектив, конфликт, примирение) структурируют внутренний диалог

• 12 социо-эмоциональных ролей Bales’ IPA воспроизводятся в рассуждениях модели

• Разнообразие точек зрения (Big Five “Большая пятерка”, экспертиза) предотвращает эффект “эхо-камеры”

• Transfer effects показывают, что это общий навык, а не хак для конкретных задач

И самое интересное — этот паттерн возникает спонтанно при обучении на accuracy. Никто не учил модели “спорить с собой”. Они сами к этому пришли, потому что это работает. То, что философы и психологи описывали как природу мышления (Бахтин, Minsky), модели переоткрыли эмпирически.

Для практиков вывод прост: reasoning-модели — не универсальное решение, но для задач, требующих многоперспективного анализа, они дают качественно другой результат. Понимание механизма помогает выбрать правильный инструмент.

---

# Ссылки

1. Reasoning Models Generate Societies of Thought ^[2] — Junsol Kim, Shiyang Lai, Nino Scherrer, Blaise Aguera y Arcas, James Evans (Google Research, University of Chicago), arXiv:2601.10825, январь 2025

2. DeepSeek-R1 ^[16] — репозиторий модели

3. QwQ-32B Preview ^[17] — блог-пост о модели

4. OpenAI o1 ^[18] — Learning to Reason with LLMs

5. OpenAI o3 ^[19] — Deliberative Alignment

6. Chain-of-Thought Prompting ^[20] — Wei et al., 2022