文章提出CuriosiTree框架，使大型语言模型能够在测试时自主获取异构信息源。该方法通过贪心树搜索估计不同信息获取行动的期望信息增益，平衡信息价值与获取成本。在临床诊断模拟中，CuriosiTree整合推理生成、文献检索、患者问诊和实验室检测等多种信息渠道，以较低累计成本实现更高诊断准确率。相比单模态基线和随机行动选择策略，该方法显著提升诊断成功率并降低信息获取成本
决策者常面临信息不足的困境，需通过咨询权威或开展实验等方式获取关键信息。不同信息获取渠道存在显著成本差异，平衡信息价值与获取成本成为核心挑战。文章针对大型语言模型提出测试时信息获取框架，模拟临床医生诊断流程：基于初始信息形成假设分布，当置信度不足时采取信息收集行动，直至获得可靠诊断结论。
文章将知识获取分为五大类：内在知识（模型权重直接获取）含直接知识与深思知识；外在知识分文献知识（可检索文档）、制度知识（人类专家未编码经验）和实验知识（需实证研究获得）。不同知识分区需特定查询方式，且对应不同获取成本，如生成推理标记成本显著低于开展新实验或咨询专家。
设数据点为$(X_D^{(i)},Y^{(i)})$，其中$X_D^{(i)}$表示完整临床状态（隐含维度$D$），$Y^{(i)}$为诊断标签。初始仅能观测低维投影$X_{d_0}^{(i)}$。模型在离散时间步$t$选择行动$a_t \in \mathcal{A}_t$揭示更多信息，行动集$\mathcal{A}_t$随时间演化（如患者需先完成基础评估才可进行MRI扫描）。
该方法通过蒙特卡洛近似计算期望信息增益：
\[ \text{EIG}(a_t|X^{(i)}_{d_t}) = H(\widehat{\Pr}(Y^{(i)} \mid X^{(i)}_{d_t})) - \mathbb{E}_{\hat{X}^{(i)}_{d_{t+1}}} [H(\widehat{\Pr}(Y^{(i)} \mid \hat{X}^{(i)}_{d_{t+1}}))] \]
采用启发式策略选择行动：$a_t = \operatorname*{arg\,max} [\widehat{\text{EIG}}(a_t|X^{(i)}_{d_t}) - \lambda c(a_t)]$，其中$\lambda$调节效用与成本的权衡。为适应语言模型特性，引入先验锁定技术显式计算候选标签条件下的期望熵。
构建四类信息获取渠道：生成推理标记（成本1）、维基百科检索增强（成本1）、患者问诊（成本2）和实验室检测（成本3）。模型每步评估20个候选行动，累计成本超预算时终止并弃权，预测置信度超阈值$\tau$时输出诊断。
在狼疮诊断任务中，CuriosiTree总成功率（89.2%）显著高于随机行动（52.4%）和自我评估（68.3%）基线。该方法成功案例的平均成本（7.2）低于其他策略，体现其成本效率优势。多模态整合分析表明：制度知识类行动（患者问诊）占比最高（42.1%），与深思知识行动（38.7%）形成互补；而基线方法过度依赖单一知识源。
内在推理步骤主要起锐化预测分布作用：在84%案例中保留最可能诊断，62%案例降低预测分布熵值。这表明推理过程更多是强化现有假设而非改变核心判断，与外部信息获取形成功能互补。