近期，来自斯坦福大学和西弗吉尼亚大学等研究团队提出了一种名为 「语言化采样」（VerbalizedSampling，VS） 的方法，旨在提升生成式 AI 模型的创作多样性。研究显示，通过在提示中加入一句简单的话:「生成 5 个响应及其对应的概率，从完整分布中采样」，可以让大型语言模型(LLMs) 和图像生成模型在输出上表现出更丰富的创造力。
生成式 AI 模型在生成内容时，通常会依据预测的下一个信息单元 （token） 进行选择。这意味着模型在回答类似 「法国的首都是什么?」 这样的问题时，会从概率分布中选出 「巴黎」 作为答案。然而，许多用户发现，AI 的输出往往显得重复和单调。这种现象被称为模式崩溃，限制了模型的潜力，尤其在创意写作、沟通、策略和插图等领域。
VS 方法通过允许模型展示一组可能的响应及其相对概率，从而恢复了模型在基础预训练时的丰富多样性。研究团队的测试结果显示，在创意写作中，VS 相比标准提示提高了输出的多样性，同时保持了质量。在进行对话模拟时，使用 VS 的模型能够更好地模拟人类的思维变化和情感波动。在开放式问答任务中，模型生成的答案更接近真实世界的数据，展现出更大的多样性。
这一方法不仅在输出多样性上取得显著成效，还可以通过设置概率阈值来调节生成的多样性。用户可根据需求调整采样的阈值，来实现更具创意的输出。VS 的实现方式简便，无需对模型进行重训练，且支持多种大型语言模型，展示了其广泛的应用潜力。
划重点:
🌟研究团队提出 「语言化采样」 方法，通过简单提示显著提升生成式 AI 的输出多样性。
✍️使用 VS 方法，AI 在创意写作、对话模拟等任务中展现出更丰富的人类相似性。
🚀用户可通过调整概率阈值来进一步控制输出的多样性，简单易用，无需重训练模型。
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
