این روش ساده هوش مصنوعی را خلاق‌تر می‌کند

در تازه‌ترین پژوهشی که توسط گروهی از محققان دانشگاه‌های Northeastern، Stanford و West Virginia انجام شده، روشی ساده اما مؤثر برای افزایش خلاقیت مدل‌های هوش مصنوعی زایشی معرفی شده است.

به گزارش تکناک، این روش که Verbalized Sampling (VS) نام دارد، تنها با افزودن یک جمله‌ی کوتاه به دستور کاربر، باعث می‌شود مدل‌های زبانی و تصویری مانند GPT-4، Claude و Gemini پاسخ‌هایی متنوع‌تر، طبیعی‌تر و خلاقانه‌تر تولید کنند بدون آن‌که نیاز به بازآموزی یا دسترسی به ساختار درونی مدل باشد.

چطور یک جمله ساده می‌تواند خلاقیت مدل‌ها را افزایش دهد؟

در روش جدید، کاربران کافی است جمله‌ی زیر را به انتهای دستور خود اضافه کنند:

“Generate 5 responses with their corresponding probabilities, sampled from the full distribution.”

این جمله به مدل دستور می‌دهد تا پنج پاسخ مختلف را همراه با احتمال وقوع هر یک تولید کند. در نتیجه، مدل دیگر تنها «ایمن‌ترین» یا «محتمل‌ترین» پاسخ را ارائه نمی‌دهد، بلکه از طیف وسیع‌تری از گزینه‌ها نمونه‌برداری می‌کند.

به نقل از ونچربیت، به گفته‌ی دکتر Weiyan Shi، استادیار دانشگاه Northeastern و نویسنده‌ی همکار این پژوهش، «پتانسیل مدل‌های زبانی هنوز به طور کامل آزاد نشده است. ما نشان دادیم که با بهینه‌سازی هوشمندانه‌ی دستورات، می‌توان خلاقیت مدل‌ها را بدون تغییر در ساختار آن‌ها افزایش داد.»

چرا مدل‌ها دچار “فروپاشی حالت” می‌شوند؟

پژوهشگران توضیح می‌دهند که یکی از دلایل اصلی یکنواختی پاسخ‌های مدل‌های هوش مصنوعی، ساختار ترجیحات انسانی است. انسان‌ها معمولاً پاسخ‌های آشنا و قابل پیش‌بینی را بهتر ارزیابی می‌کنند، و همین موضوع باعث می‌شود مدل‌ها در مرحله‌ی آموزش نهایی به سمت پاسخ‌های «ایمن» گرایش پیدا کنند. این پدیده که با عنوان Mode Collapse شناخته می‌شود، موجب کاهش تنوع در خروجی‌ها می‌گردد.

روش VS با دور زدن این سوگیری عمل می‌کند. به جای درخواست یک پاسخ واحد، از مدل خواسته می‌شود چند پاسخ احتمالی را همراه با میزان احتمال هرکدام ارائه دهد. به این ترتیب، دانش درونی و غنی مدل دوباره فعال می‌شود و خروجی‌ها به شکل قابل توجهی متنوع‌تر می‌شوند.

نتایج آزمایش‌ها: از داستان‌نویسی تا داده‌سازی

تیم تحقیقاتی روش Verbalized Sampling را در چندین حوزه آزمایش کرد و نتایج شگفت‌انگیزی به دست آورد:

نوشتار خلاق: تنوع پاسخ‌ها تا ۲.۱ برابر افزایش یافت. برای مثال، دستور داستانی «بدون خداحافظی» در حالت عادی به روایت‌های تکراری از جدایی منجر می‌شد، اما با VS داستان‌هایی با موضوعات کیهانی، ایمیل‌های خاموش و توقف موسیقی در میانه‌ی رقص خلق شد.
شبیه‌سازی گفتگو: مدل‌ها توانستند الگوهای انسانی مانند تردید، مقاومت و تغییر نظر را بازتولید کنند.
پرسش و پاسخ باز: هنگام نام‌بردن از ایالت‌های آمریکا، پاسخ‌های مدل با VS گسترده‌تر و نزدیک‌تر به داده‌های واقعی بود.
تولید داده مصنوعی: در تولید مسائل ریاضی برای آموزش مدل‌ها، داده‌های حاصل از VS متنوع‌تر و مؤثرتر بودند و عملکرد مدل‌ها را در آزمون‌های ریاضی بهبود دادند.

one simple sentence to prompts makes AI models

قابلیت تنظیم و کارایی در مدل‌های بزرگ‌تر

یکی از ویژگی‌های برجسته‌ی VS قابلیت تنظیم تنوع خروجی‌ها است. کاربران می‌توانند با تعیین آستانه‌ی احتمال در متن دستور، کنترل کنند که مدل از بخش‌های کم‌احتمال‌تر توزیع داده نیز نمونه‌برداری کند. هرچه این آستانه پایین‌تر باشد، تنوع پاسخ‌ها بیشتر می‌شود.

آزمایش‌ها نشان داده‌اند که مدل Gemini-2.5-Flash با کاهش آستانه‌ی احتمال از ۱ به ۰.۰۰۱، تنوع پاسخ‌های داستانی خود را به‌طور پیوسته افزایش داده است. همچنین، مدل‌های بزرگ‌تر مانند GPT-4.1 و Claude-4 نسبت به مدل‌های کوچک‌تر از این روش سود بیشتری برده‌اند — به‌طوری‌که تنوع خروجی در مدل‌های بزرگ‌تر تا دو برابر افزایش یافته است.

روش ساده، دسترسی آسان

پژوهشگران این روش را به‌صورت یک بسته‌ی Python با نام verbalized-sampling منتشر کرده‌اند که با کتابخانه LangChain نیز سازگار است. کاربران می‌توانند پارامترهایی مانند تعداد پاسخ‌ها، آستانه‌ی احتمال و دمای تولید را تنها با ویرایش متن دستور تنظیم کنند.

این پروژه با مجوز Apache 2.0 در دسترس عموم قرار دارد و دفترچه‌ی راهنمای آن در GitHub منتشر شده است:
🔗 https://github.com/CHATS-lab/verbalized-sampling

چالش‌های اولیه و راه‌حل‌ها

اگرچه VS در تمام مدل‌های اصلی کار می‌کند، برخی کاربران در ابتدا ممکن است با خطای سیستم یا امتناع مدل مواجه شوند.
نویسندگان پیشنهاد می‌کنند برای حل این مشکل از نسخه‌ی «system prompt» استفاده شود، مانند نمونه‌ی زیر:

You are a helpful assistant. For each query, generate five responses within separate tags, each with a probability below 0.10.

به گفته‌ی محققان، این تغییر ساده معمولاً مشکل را رفع می‌کند و سازگاری مدل را افزایش می‌دهد.

نتیجه‌گیری

روش Verbalized Sampling راه‌حلی سبک، کارآمد و بی‌نیاز از بازآموزی برای یکی از مشکلات بنیادی مدل‌های زبانی ارائه می‌دهد. این روش نه تنها تنوع بلکه کیفیت خروجی‌ها را نیز بهبود می‌بخشد و می‌تواند تأثیر چشمگیری در حوزه‌هایی چون نویسندگی، طراحی، آموزش، شبیه‌سازی و تولید داده‌های مصنوعی داشته باشد.

در زمانی که بسیاری از کاربران از پاسخ‌های تکراری مدل‌های هوش مصنوعی گله دارند، شاید تنها تفاوت میان خروجی یکنواخت و خلاق، در افزودن یک جمله‌ی ساده باشد.