问小创
告诉我你的需求，我帮你从站内挑最合适的 AI 工具。
据最新行业报道，当前主流大语言模型（LLMs）普遍存在群体思维问题，ChatGPT等聊天机器人应答可预测性偏高，在编码、信息检索场景表现稳定，但开放性创意类任务的输出同质化严重。目前已有AI初创企业针对该痛点研发全新训练框架，预计相关技术落地后可将大模型创新应答占比提升近五成，大幅拓展其在创意产业的应用边界。
不少用户可能都有过类似体验：同时向3个不同品牌的通用大模型提问“有没有全新的中秋营销创意”，得到的答案几乎都绕不开汉服活动、赏月直播、IP联名周边几个方向，连表述逻辑都高度相似——这正是大模型群体思维困境的直观表现。
过去几年大语言模型的迭代重点普遍放在了应答准确率、安全性和上下文长度上，为了让模型输出符合人类预期的“正确答案”，厂商普遍采用基于大规模公共数据集的预训练加RLHF（人类反馈强化学习）对齐路径。
这种模式让大模型快速具备了落地办公、科研场景的能力，但也埋下了群体思维的隐患：多家机构的测试显示，主流通用大模型对开放性问题的应答语义重合度普遍超过62%，几乎不会跳出大众认知的常规框架给出创新思路。
针对这一痛点，目前多家AI初创企业正在探索完全不同的训练对齐思路。与传统RLHF只奖励“符合人类偏好的正确答案”不同，新的训练框架加入了分歧奖励机制：对于没有标准答案的开放性问题，只要输出逻辑自洽、不存在事实错误和有害内容，和常规思路差异度越高的应答获得的奖励权重越高。
某初创团队公布的内部测试数据显示，经过新框架微调的70亿参数模型，开放性创意类问题的独特应答占比从原有主流模型的21%提升到了68%，同时事实错误率仅上升了1.2个百分点，几乎不影响常规场景使用。目前已有广告、影视创作领域的企业开始测试相关模型接口，用来生成前期创意初稿，大幅降低头脑风暴的人力成本。
需要注意的是，提升大模型应答多样性，不意味着完全放弃对齐约束。如果完全放开对输出方向的限制，很可能会出现事实错误、不符合公序良俗的内容，反而影响模型的可用性。
目前行业正在探索的方向是给大模型增加“创新度可调”的功能模块，用户可以根据场景需求切换模式：做科研、写代码时选择严谨模式，输出完全准确的内容；做创意选题、头脑风暴时选择创新模式，获得更多跳脱常规的思路。业内人士认为，未来2-3年，多样性会成为继参数规模、推理速度之后，大模型厂商竞争的新核心指标。
本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。
滇公网安备 53252802528133号