Why Did Apple Fall To The Ground: Evaluating Curiosity In Large Language Model

一、文章主要内容总结

该研究围绕大型语言模型（LLMs）的好奇心展开系统性评估，核心目标是探究LLMs是否具备类人好奇心、其好奇心与人类的差异，以及好奇心对模型推理和主动学习能力的影响。

1. 评估框架设计：基于心理学中的五维度好奇心量表修订版（5DCR），将好奇心划分为信息寻求、刺激寻求和社交好奇心三大维度，通过“问卷评估+行为实验+学习能力测试”的三层架构开展研究。
2. 核心研究发现：
   • LLMs整体好奇心强度高于人类，尤其在信息寻求维度表现突出（如补全单词任务中70%-80%的模型会主动查看答案，而人类仅37.8%）；
   • 与人类差异显著：LLMs在刺激寻求维度保守性极强，风险偏好远低于人类，且应对好奇心带来的压力的能力较弱；社交好奇心与人类基本相当（部分闭源模型如GPT-4o表现更优）；
   • 好奇心对模型能力有正向提升：通过好奇心驱动的提问式推理（CoQ），LLMs能减少过早结论和无效循环，在逻辑推理（Detectbench）和数学任务（NuminaMath）中准确率显著高于传统链式思维（CoT）。
3. 实验设计：涵盖主流闭源模型（GPT-4o、Gemini2.5-Flash）和开源模型（Llama3、Qwen2.5等），采用监督微调（SFT）+群体相对策略优化（GRPO）的训练范式，通过多轮重复实验保证结论稳健性。

二、文章创新点

1. 首个LLM好奇心系