近期，來自斯坦福大學和西弗吉尼亞大學等研究團隊提出了一種名爲 “語言化採樣”（Verbalized Sampling，VS）的方法，旨在提升生成式 AI 模型的創作多樣性。研究顯示，通過在提示中加入一句簡單的話:“生成5個響應及其對應的概率，從完整分佈中採樣”，可以讓大型語言模型(LLMs)和圖像生成模型在輸出上表現出更豐富的創造力。

AI寫作

生成式 AI 模型在生成內容時，通常會依據預測的下一個信息單元（token）進行選擇。這意味着模型在回答類似 “法國的首都是什麼?” 這樣的問題時，會從概率分佈中選出 “巴黎” 作爲答案。然而，許多用戶發現，AI 的輸出往往顯得重複和單調。這種現象被稱爲模式崩潰，限制了模型的潛力，尤其在創意寫作、溝通、策略和插圖等領域。

VS 方法通過允許模型展示一組可能的響應及其相對概率，從而恢復了模型在基礎預訓練時的豐富多樣性。研究團隊的測試結果顯示，在創意寫作中，VS 相比標準提示提高了輸出的多樣性，同時保持了質量。在進行對話模擬時，使用 VS 的模型能夠更好地模擬人類的思維變化和情感波動。在開放式問答任務中，模型生成的答案更接近真實世界的數據，展現出更大的多樣性。

這一方法不僅在輸出多樣性上取得顯著成效，還可以通過設置概率閾值來調節生成的多樣性。用戶可根據需求調整採樣的閾值，來實現更具創意的輸出。VS 的實現方式簡便，無需對模型進行重訓練，且支持多種大型語言模型，展示了其廣泛的應用潛力。

劃重點:  

🌟 研究團隊提出 “語言化採樣” 方法，通過簡單提示顯著提升生成式 AI 的輸出多樣性。  

✍️ 使用 VS 方法，AI 在創意寫作、對話模擬等任務中展現出更豐富的人類相似性。  

🚀 用戶可通過調整概率閾值來進一步控制輸出的多樣性，簡單易用，無需重訓練模型。