arXiv · 28.06.2026 ·Исследования и наука

MIThinker: оптимизация рассуждений LLM для мотивационного консультирования

Исследователи представили MIThinker — специализированный фреймворк для улучшения работы ИИ-агентов в сфере мотивационного консультирования. В отличие от стандартных моделей, MIThinker использует механизм «мыслительного процесса» (reasoning), который принудительно выравнивает внутренние рассуждения модели с техниками мотивационного интервьюирования. Это позволяет агентам генерировать более эмпатичные и терапевтически точные ответы, соответствующие профессиональным стандартам психологической поддержки.

Основная проблема существующих LLM-решений в психологии заключается в отсутствии явной связи между логикой модели и специфическими протоколами общения. Модели часто генерируют ответы, которые выглядят логично, но нарушают принципы мотивационного интервьюирования, такие как избегание директивности или развитие «разговора о переменах». MIThinker решает эту задачу через оптимизацию политики рассуждений, позволяя модели сначала анализировать состояние клиента, а затем формировать ответ на основе конкретных терапевтических стратегий.

Метод является «plug-and-play» решением, что означает возможность его интеграции с различными базовыми LLM без необходимости полной переобучки всей архитектуры. В ходе тестирования система показала значительное превосходство над стандартными моделями в соблюдении профессиональных техник консультирования, сохраняя при этом естественность диалога.

Ключевые факты

MIThinker внедряет этап явного рассуждения перед генерацией ответа, ориентированный на протоколы мотивационного интервьюирования.
Система использует оптимизацию политики (policy optimization) для принудительного следования терапевтическим техникам.
Решение является модульным и совместимо с существующими LLM, что упрощает внедрение в специализированные агентные платформы.
Исследование подтверждает, что структурированный мыслительный процесс повышает качество взаимодействия в сценариях, требующих высокой эмпатии и соблюдения профессиональных границ.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

The latest research from Google · Исследования и наука Исследование Google: как цепочки рассуждений улучшают извлечение знаний из LLM Исследователи Google представили метод, который значительно повышает точность извлечения фактов из внутренней памяти больших языковых моделей. Вместо прямого запроса модель сначала генерирует цепочку рассуждений, что позволяет ей эффективнее активировать параметрические знания. Этот подход помогает преодолеть ограничения стандартных моделей при ответе на вопросы, требующие глубокого контекстного понимания или редких данных. arXiv · Машинное обучение Исследование: как устранить избыточное рассуждение в LLM Учёные изучили проблему избыточного рассуждения (overthinking) в языковых моделях, когда они продолжают генерировать ненужные шаги после нахождения правильного ответа. Это явление особенно заметно в задачах, требующих длинных цепочек рассуждений (chain-of-thought reasoning). Hacker News · Оценка и бенчмарки Многомодальные LLM как судьи для оценки агентов В последнее время всё больше внимания уделяется использованию LLM (Large Language Models) в качестве судей для оценки качества работы других ИИ-агентов. В статье на Substack автор Yinghong Lan рассматривает концепцию Multimodal LLM-as-a-Judge, которая позволяет оценивать не только текстовые, но и мультимодальные данные, такие как изображения и видео. arXiv · Модели и релизы Новый метод обнаружения ошибок в цепочках рассуждений LLM Исследователи из MIT и Университета Карнеги-Меллона предложили новый подход к выявлению ошибок в цепочках рассуждений языковых моделей (LLM) без использования меток. Их метод, основанный на операдной теории, позволяет обнаруживать несоответствия в логических цепочках, которые модели строят при решении сложных задач. Hacker News · Оценка и бенчмарки Новые методы повышения точности LLM как судей в оценке моделей Исследователи представили усовершенствованные подходы к использованию LLM в качестве «судей» для автоматизированной оценки качества ответов других моделей. Авторы статьи систематизировали методы минимизации предвзятости и повышения корреляции оценок ИИ с человеческими предпочтениями, предложив новые стратегии промптинга и калибровки, которые позволяют значительно точнее определять качество генерации в сложных задачах без привлечения экспертов-людей. arXiv · Исследования и наука Использование LLM для прогнозирования сложности заданий через когнитивные эпизоды Исследователи представили метод оценки сложности учебных заданий для человека, основанный на анализе цепочек рассуждений больших языковых моделей. Вместо традиционной калибровки по результатам тестирования, подход фокусируется на «когнитивных эпизодах» — ключевых этапах логического вывода модели. Это позволяет не только точнее предсказывать уровень сложности, но и интерпретировать, какие именно мыслительные процессы вызывают затруднения у учащихся. arXiv · Машинное обучение LLawCo: новый метод обучения ИИ-агентов эффективному взаимодействию Исследователи представили LLawCo — фреймворк для обучения воплощенных ИИ-агентов правилам кооперации в децентрализованных средах. Метод решает проблему несогласованного поведения LLM-агентов, которые часто действуют неэффективно из-за ограниченной видимости состояния среды и отсутствия координации с партнерами. Предложенный подход позволяет агентам лучше адаптироваться к динамическим условиям и достигать более высоких показателей успешности выполнения совместных задач. arXiv · Исследования и наука ИИ автоматизирует проверку воспроизводимости исследований Учёные из Гарварда и MIT разработали метод, позволяющий использовать большие языковые модели (LLM) для автоматизированной оценки воспроизводимости исследований в социальных и поведенческих науках. Обычно проверка воспроизводимости требует ручного анализа данных независимыми исследователями, что занимает много времени и ресурсов. Новый подход позволяет значительно ускорить этот процесс, применяя LLM для анализа опубликованных данных и оценки их достоверности. arXiv · Оценка и бенчмарки Новый подход к оценке качества LLM при работе с нефункциональными требованиями Исследователи представили методологию оценки диалоговых ИИ-ассистентов при работе с нефункциональными требованиями (NFR) в разработке ПО. В отличие от стандартных бенчмарков, сфокусированных на функциональной корректности кода, новый подход анализирует точность и удовлетворенность пользователя в многоходовых диалогах, где требования часто размыты и зависят от контекста всей архитектуры системы. arXiv · Машинное обучение Проблема большинства в мультиагентных системах: почему консенсус LLM может быть ошибочным Исследователи выявили критический недостаток в популярных методах мультиагентных дебатов (MAD), где итоговое решение принимается простым большинством голосов. Из-за схожести обучающих данных модели часто совершают идентичные ошибки, что приводит к подавлению верных ответов, предлагаемых меньшинством. Авторы предложили механизм «Minority Sentinel», позволяющий системе распознавать ситуации, когда мнение меньшинства статистически более вероятно является правильным.

← Все материалы