通过注入随机概念来解决大语言模型的多样性问题
计算与语言
2026-01-27 v1 人工智能
机器学习
摘要
大语言模型（LLMs）已知会产生输出多样性有限的结果。本文研究在提示词中注入随机概念是否可以提高生成输出的多样性。为对策进行基准测试，我们设计了一套系统化的评估协议，通过对 LLM 提出“命名10位好莱坞演员”的问题，并分析所得 LLM 输出的多样性指标。我们在多个 LLM 上进行实验，发现在提示词前拼接与提示无关的随机单词或句子后，LLM 输出的多样性显著提升。我们认为，这一鼻祖性结果及其评估协议为未来工作开辟了有趣的方向，例如随机性注入技术在其他领域的应用。进一步地，这一评估协议也可能激发更系统化地对 LLM 多样性进行基准测试的研究。
引用
@article{arxiv.2601.18053,
title = {Addressing LLM Diversity by Infusing Random Concepts},
author = {Pulin Agrawal and Prasoon Goyal},
journal= {arXiv preprint arXiv:2601.18053},
year = {2026}
}