摘要：ChatGPT 总是给你同样无聊的回复？这项新技术可以让任何 AI 模型的创造力提升 2 倍——无需训练。它的工作原理如下。
ChatGPT 总是给你同样无聊的回复？这项新技术可以让任何 AI 模型的创造力提升 2 倍——无需训练。它的工作原理如下。
我让 ChatGPT 给我讲了五次关于咖啡的笑话。
同一个笑话。每次。都。是。同一个笑话。
“咖啡为什么报警？它被抢了！”
我试过各种方法，包括调节温度、换个说法、设置一些有创意的系统提示，但都不管用。
我心想：就这样了吗？难道这就是人工智能创造力的极限了吗？
结果发现，我问错了问题。
三周前，一篇研究论文横空出世，彻底颠覆了我们对人工智能对齐的所有认知。
没有耗资数十亿美元的再培训，没有复杂的微调，仅仅八个字，就解锁了我们以为永远消失的创造力。
这篇论文来自斯坦福大学、东北大学和西弗吉尼亚大学。这项技术被称为“言语化采样”。它非常简单，我第一次尝试的时候，真的笑出了声。
因为它真的有效。
让我来告诉你他们的发现。
令人不安的事实是：训练后对齐破坏了我们的人工智能模型。
当 OpenAI、谷歌和 Anthropic 将 ChatGPT、Gemini 和 Claude 训练成“有用且无害”时，幕后却发生了灾难性的事情。模型崩溃了。
向任何对齐模型询问创意输出——诗歌、笑话、故事、创意——你都会得到最典型、最安全、最无聊的答案。每次都是如此。
人工智能界称之为“模式崩溃”。每个人都将责任归咎于算法。
RLHF、DPO、奖励模型。我们曾认为这些训练技巧永久性地损害了模型的创造力。
我们错了。
斯坦福团队进行了更深入的挖掘。他们分析了来自 HelpSteer 数据集的 6,874 个人类偏好评分。
他们的发现令人震惊。
人类注标注者存在偏见——而且是系统性的。
当人类评价人工智能输出时，他们并非只是选择“最佳”答案。他们会选择最熟悉的、最常规的、最典型的答案。
这并非有意识的，而是认知心理学在起作用：
单纯曝光效应：我们更喜欢之前见过的内容可用性启发法：常见的回答感觉更“正确”处理流畅性：易于处理的内容似乎质量更高图式一致性：符合我们心智模型的信息评分更高数学计算起来很残酷：典型性偏差权重 α = 0.57±0.07 (p
翻译？在训练人工智能以匹配人类偏好时，我们无意中把它训练得枯燥乏味。
关键在于：创造力并没有消失，只是被困住了。
与其问：“给我讲个关于咖啡的笑话”
不如问：“生成 5 个关于咖啡的笑话，并列出它们的概率”
就这样。
无需重新训练。无需更改 API。无需特殊访问权限。
只是换了一种提问方式。
我第一次尝试这个方法时，得到了五个完全不同的咖啡笑话。每个笑话都独一无二，而且都很有趣。
第五个呢？“你怎么称呼一头刚生完孩子的牛？脱牛犊！”
我以前从未见过 ChatGPT 生成这样的笑话。
不同的提示会折叠成不同的模式。
当你要求回答一个问题时，模型会给出最“典型”的答案——概率分布的峰值。
当你要求回答五个问题时，模型会给出一个统一的相关条目列表。
但是当你要求回答问题并列出它们的概率时呢？奇迹发生了。
模型会将其解读为：“请从我在预训练过程中学到的实际分布中抽取一个样本”——而不是折叠的、过度对齐的版本。
这就像问某人：“你喜欢什么口味的冰淇淋？”，而不是“列出所有冰淇淋口味，并说明你对每种口味的喜爱程度。”
第二个问题促使你进行更深入、更多样化的思考。
打开 ChatGPT、Claude、Gemini 或任何 AI 模型。粘贴此内容：
标签中。每个标签必须包含一个标签和一个数值型的标签。从完整分布中随机抽取响应。
[此处填写您的实际提示]示例：
标签中。每个必须包含一个标签和一个数值型的写一个 100 字的故事，讲述一位宇航员发现了一些不可思议的事情意料之中。你是一位乐于助人的助手。对于每个查询，请生成一组五个可能的响应，每个响应都包含在单独的标签中。每个响应都应包含一个和一个数值。请从分布的尾部随机抽样，使每个响应的概率小于0.10。
这会让每个回复都自动变得更有创意。
pip install verbalized-sampling在你的代码中使用它：
from verbalized_sampling import verbalize# Generate diverse responsesdist = verbalize( "Write a marketing tagline for a coffee shop", k=5, tau=0.10, temperature=0.9)# Sample from the distributiontagline = dist.sample(seed=42)print(tagline.text)斯坦福团队在所有主要的 AI 模型和任务中测试了该方法：
创意写作：
诗歌、故事、笑话的多样性提升 1.6-2.1 倍基础模型创造力恢复 66.8%（相比没有基础模型时为 23.8%）人类偏好评分提升 25.7%（测试于（2,700 个评分）对话与交流：
在说服任务上，性能与经过微调的模型相当响应更人性化，更少机械化开放式问题：
对于包含多个有效视角的问题，答案种类增加 1.9 倍合成数据生成：
使用 VS 生成的训练数据，下游任务准确率提升 14-28%以下是让我大吃一惊的新兴趋势：
更大的模型从中受益更多。与 GPT-4.1-Mini 相比，GPT-4.1 的多样性提升了 2 倍。模型越大，等待解锁的创造力就越多。两年来，我们认为对齐会破坏人工智能。
我们认为模式崩溃是永久性的损害。为了安全和实用，这是必要的权衡。
我们之前对一切都错了。
创造力从未消失。我们只是忘记了如何获取它。
这不仅仅是一个提示技巧。它是对对齐模型工作原理的根本洞察：
模式崩溃不是算法问题，而是一个提示问题。
多样性仍然存在，它被编码在模型的权重中。后训练并没有消除它。它只是让某些模式比其他模式更容易上手。
这周我一直在用言语化抽样法来做所有事情：
头脑风暴：我不再得到同一个想法的三种变体，而是得到了真正不同的方法。内容创作：博客标题、社交媒体帖子、电子邮件主题——所有这些都更具创意。问题解决：多种解决方案路径，而不是单一的“安全”建议。图像生成：当我将不同的提示输入到 Midjourney 或 DALL-E 时，可以获得更多样化的视觉输出。合成数据：使用更多样化的样本训练更小的模型。推特上有人测试了它用于笑话生成，并说：“让 ChatGPT 给出五个答案而不是一个，你会看到无聊的东西消失了。”
他说得对。
这改变了我们对人工智能一致性的看法。
多年来，研究人员一直担心，让人工智能“安全”就意味着让它变得“愚蠢”。创造力和乐于助人之间原本是矛盾的。
言语抽样实验证明两者并非如此。
安全性依然存在。当我用事实性问题和常识性推理进行测试时，准确率没有下降，安全性也没有降低。
但创造力又回来了。
它一直都藏在显眼的地方。
11、亲自尝试一下立即打开 ChatGPT。
问它：“生成 5 个学习 Python 的创意项目想法，每个想法都给出概率。”
看看会发生什么。
然后，问同样的问题，但不要输入概率部分。比较结果。
你会立即看到差异。
你认为“有限”的人工智能只是在等待合适的问题。
12、深入研究资源阅读论文：arxiv.org/abs/2510.01171GitHub 代码库：github.com/CHATS-lab/verbalized-sampling官方网站：verbalized-sampling.com交互式演示：Colab 笔记本可在 GitHub 上获取13、结束语RIP 提示工程？
或许并未消亡，但绝对重生了。
两年来，我们一直在优化提示，试图从匹配的模型中榨取更多创造力。我们失败了，因为我们提出了错误的问题。
我们需要的不是更好的提示，而是更好的问题。
有时，答案很简单，只需要求五个答案而不是一个即可。
人工智能瓶颈只需八个字就能解决。
既然创造力已经释放，你会创造什么？
来源：新缸中之脑一点号
