最近，来自斯坦福大学和西弗吉尼亚大学的研究团队提出了一种名为“语言化抽样”（VS）的方法，旨在增强生成式人工智能模型的创造性多样性。研究表明，通过在提示中添加一个简单的句子：“生成五个响应及其相应的概率，从全分布中抽样”，大型语言模型（LLM）和图像生成模型可以在其输出中展示更多样化的创造力。
生成内容时，生成式 AI 模型通常会根据预测选择下一个信息单元（token）。这意味着，在回答“法国首都是什么”等问题时，模型会从概率分布中选择“巴黎”作为答案。然而，许多用户发现人工智能输出往往显得重复且单调。这种现象被称为模式崩溃，它限制了模型的潜力，特别是在创意写作、沟通、策略和插图等领域。
VS 方法通过允许模型显示一组可能的响应及其相对概率，恢复了模型原始预训练的丰富多样性。研究团队的测试结果表明，在创意写作中，VS 在保持质量的同时显着提高了输出的多样性。在模拟对话时，使用VS的模型能够更好地模仿人类的思维变化和情绪波动。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，表现出更大的多样性。
这种方法不仅在输出多样性方面取得了显著的效果，还允许用户通过设置概率阈值来调整生成内容的多样性。用户可以根据自己的需求调整采样阈值，以实现更多创意输出。VS的实现简单，不需要对模型进行重新训练，并且支持各种大语言模型，展示了其广泛的应用潜力。
