新论文提出人设多样化提升LLM创意输出多样性

发生了什么

arXiv研究团队针对大语言模型（LLM）开放任务输出同质化、易引发群体思维的问题，将人设多样化建模为集合级条件问题，设计了四类覆盖不同设计路径的实现方法，在三类经典创造力任务上完成验证。其中进化式人设生成方案效果突出，在替代用途任务（AUT）上较纯任务提示，输出多样性提升78.8%、原创性26.1%，同时保持98.5%的输出有效性。

关键信息

发布方

arXiv公开新研究（编号2609.30492v1）

核心方法

进化式人设生成的人设多样化方案

AUT任务核心增益

输出多样性提78.8%，原创性提26.1%，有效率98.5%

Infinity-Chat任务表现

较随机人设，人设引发的响应分离度近翻倍

组合增益效果

搭配创造力优化提示，多样性再提18.6%，创造力提6.3%

覆盖评测任务

替代用途任务（AUT）、Infinity-Chat、发散联想任务（DAT）

背景

此前大语言模型在开放生成任务中普遍存在输出同质化问题，容易催生群体思维——即各类想法收敛到单一、可能非最优的结果，现有prompt优化方案尚未充分解决这类痛点。

为什么重要

对行业而言，验证了人设集合几何是不依赖具体任务的LLM发散输出激发机制，为创造力引导提供了可复用通用路径；对开发者来说，该方法可作为prompt优化的低成本补充，无需重训模型即可提升生成多样性；对普通用户而言，能获得更具新意、更少重复的AI生成内容。