无锚点多样化用于并行大语言模型创意构思
人工智能
2026-05-29 v1
摘要
大语言模型日益增加用于生成创意任务中候选想法池，因为广泛的探索在此场景下具有价值。当并行推理能够在保持质量和成本效率的同时拓宽想法池时，这种做法就显得诱人。我们研究推理阶段对候选池多样化的控制手段，探讨无锚点方法是否能与依赖观测初始想法的方法相抗衡。在三个创意任务家族中，我们比较独立生成与语义方向分层方法，并对比自锚、同伴锚和代表锚基线，在中性指令和群体指 referential 发散指令下进行测试。群体指 referential 发散是一种强大的低成本基线，能够在保持质量代理指标的同时增加语义多样性。语义方向分层方法更为强大：一次规划调用即可组织生成跨越广泛语义方向的输出，实现最佳的多样性—质量—计算效率组合。虽然锚点再生成在最终池的多样性方面可能表现出色，但在完整管道的 token 计费下，其优势会缩小。这些结果为开放式大语言模型创意构思建立了实用的无锚点基线。
引用
@article{arxiv.2605.30150,
title = {Anchorless Diversification for Parallel LLM Ideation},
author = {Fares Nabil Ibrahim and Nafis Saami Azad and Raiyan Abdul Baten},
journal= {arXiv preprint arXiv:2605.30150},
year = {2026}
}