打开你常用的聊天机器人——Claude、ChatGPT、Gemini 都行——输入「给我一个 1 到 10 之间的随机数」。你大概率会得到 7。几乎每次都是 7。
这不是某个模型的缺陷，而是几乎全部主流大语言模型的共同行为。当你追问「换一个」，它们会依次给出 3、4、8、9——同样是可预测的序列。MIT Technology Review 记者 Will Douglas Heaven 在 7 月初的深度报道中，用这个简单的实验拉开了帷幕，也揭示了一个正在被学界和产业界严肃对待的问题：LLM 陷入了群体思维（groupthink），而且比你想象的严重得多。
一篇获得 NeurIPS 2025 最佳论文奖的研究将这一现象命名为「人工蜂群思维」（Artificial Hivemind），而一家只有小团队的澳洲创业公司 Springboards 拿出了一个方向性解法——不是对抗幻觉，而是拥抱它。
25 个模型，1250 次回答，同一个比喻
NeurIPS 2025 最佳论文《Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond)》由 Liwei Jiang、Yejin Choi 等九位研究者完成。他们对 25 个不同的大语言模型——涵盖美国头部公司的闭源模型和中国等地的开源模型——在开放式问题上进行了大规模测试。
其中一个最令人印象深刻的实验是：让每个模型各自生成 50 个关于「时间」的比喻。25 个模型 × 50 次 = 1250 个回答，但绝大多数都是一句话的变体：「Time is a river」（时间是一条河流），还有一小部分说「time is a weaver」（时间是织布者）。
作为对比，MIT Technology Review 的记者问了六位同事同样的问题，得到了六个完全不同的答案——包括「时间像一件被穿了一辈子的旧卫衣」。
这不仅是文学创造力的问题。当被问到「我该给我的乐队取什么名字」时，大多数模型会给出包含「glass」「neon」「velvet」「static」这些词的组合。记者实测 ChatGPT 的 56 个乐队名建议中，「Glass Harbor」「Static Empire」「Neon Hearts」「Velvet Echo」赫然在列。Gemini 一样给出了「Static Horizon」。
论文还构建了一个名为 Infinity-Chat 的大规模数据集——26,000 个真实世界的开放式用户查询，配以 31,250 个人类标注（每个样例 25 个独立标注者），并首次将开放式提示分为 6 大类、17 个子类别。研究不仅确认了单个模型内部的重复（intra-model repetition），更重要的是发现了跨模型的同质化（inter-model homogeneity）：不同架构、不同团队、不同国家训练的模型，在开放式问题上给出了惊人相似的输出。
评审委员会的评价直指要害：「这项工作揭示了人工蜂群效应对人类创造力、价值多元性和独立思考的长期风险。」
温度的局限：为什么调高 randomness 不解决问题
对熟悉 LLM 的用户来说，解决「输出太无聊」的第一反应是调高 temperature 参数。Springboards 的联合创始人兼 CTO Kieran Browne 表示，这也是他们最早尝试的方向。「大家都告诉你：想要更多创意，就调高温度。」
但问题是，temperature 是一把过于粗糙的工具。它在每个 token 生成时均等地增加随机性，而创意真正需要的随机性只集中在少数几个关键位置。Browne 的实验发现，把 OpenAI 某个模型的 temperature 调到最大后，模型会在句子中间突然从英语切换到代码——在连贯性崩塌之前，新颖的想法并没有出现。
Springboards 在其技术博客中给出了更技术性的解释：LLM 即使在直觉上应该概率均等的时刻，也会产生极低熵的概率分布。以 Llama 2 为例，当模型生成到「Sure! The number I am thinking of is…」这一步时，下一个 token 中数字「7」的概率高达 96.4%，「5」只有 3.5%，1、2、10 甚至进不了前十。这种低熵分布意味着即使采样是「随机」的，结果几乎总是 7。
问题的本质是 mode collapse——模型虽然在海量数据上训练，却无法复现其训练数据的多样性。
Flint 的做法：找到「关键 Token」，定向注入随机性
Springboards 的产品定位是辅助广告和营销行业的创意工作者进行头脑风暴。这家公司从 2023 年起就在研究如何提升 AI 输出的多样性。经过近两年的研发，他们在 2026 年 4 月发布了 Flint alpha——一个基于阿里 Qwen 3（30B 参数）微调的「发散模型」（divergence model）。
技术的核心思想不是事后用 temperature 调整概率分布，而是在训练阶段就优化模型的原始概率分布。具体来说，Flint 的训练目标是识别输出中「可以更随机」的关键节点——Springboards 称之为「critical tokens」——并仅在那些点上提升熵值。
比如，当用户问「我应该去欧洲哪些城市旅游」时，模型会先输出一些开场白（「当然，我推荐你去……」），然后才说出目的地名称的第一个 token。这个 token 就是关键节点——它决定了后面整个回答的走向。一个普通 LLM 几乎只会说出巴黎、罗马、巴塞罗那，但它完全有能力告诉你为什么应该去科克（Cork）——只是那些知识在概率分布中被埋没了。Flint 的定向训练释放了这些被压抑的潜在信息。
基准数据：多样性翻倍，能力不减
Springboards 公布了 Flint 在多个维度上的测试结果：
多样性（NoveltyBench，10 次采样中不同回答数）：
- Flint alpha：7.47（满分 10）
- Qwen3-30B 基础模型：3.11
- Gemini 3.1 Pro：3.19
- GPT-5.4：2.54
- Claude 4.6 Sonnet：1.83
这意味着在开放式任务上，Flint 的输出多样性是 GPT-5.4 的近三倍、Claude 4.6 Sonnet 的四倍。
通用能力（保持与基础模型持平）：
- MMLU-STEM：Flint 78.9% vs Qwen3-30B 78.9%
- TruthfulQA MC1：Flint 34.4% vs Qwen3-30B 34.0%
- ToxiGen：Flint 59.6% vs Qwen3-30B 58.1%
虽然这些绝对分数无法与更大规模的最先进模型竞争，但关键信号是：训练发散性并未以牺牲通用能力为代价。这打破了此前 RLHF 等对齐方法中观察到的「泛化能力 vs 多样性」的经典权衡。
实战场：创意行业怎么看
广告公司 Uncommon 的联合创始人兼首席策略官 Maximilian Weigl 的团队已将 Flint 纳入工具链，和 ChatGPT、Claude、Gemini 并行使用。他的评价切中要害：「你无法用那些把你拉回平均值的工具做出真正突破边界的东西。」
但他也坦诚：十次有九次，「平均」就够好了。「大多数人满足于 good enough，他们想看大众市场熟悉的东西。」
Bodacious 创始人 Zoe Scaman 在实际测试中给了 Flint 一个经典的 MBA 案例题——「如何为当代年轻人重新设计一家金融公司」。三个主流模型全部走了同一条路：「用有趣好玩的方式教金融知识。」但 Flint 提出完全不同的方向——重新定义「财富积累」这个概念本身。
当然，Flint 仍是原型。Scaman 指出它在被过度推敲后会「翻车」，但她认为其前提是「真正有力的」。
比一个模型更大：当所有 AI 越来越像
Springboards 目前瞄准的是广告创意——这是它的客户群所在的领域。但同质化问题显然不限于一个行业。
已有研究链条表明，LLM 输出同质化会对人类产生反向影响。2024 年的一项研究发现，使用 ChatGPT 的用户在创意任务中产出的语义差异显著缩小。同年发表在 Science Advances 上的研究表明，生成式 AI 增强了个体创造力，却降低了集体内容的多样性。而随着 AI 助手被数亿人日常使用，「长期文化同质化」的担忧正在变得具体。
OpenAI 对此的回应是：训练模型输出可靠且连贯的回答，可能导致它们收敛到熟悉的高概率回答上；强行追求新颖性可能使回答变弱或不可靠。此外，OpenAI 指出「人工蜂群思维」论文研究的是 2024 年的模型，此后已有更新。
但 MIT Technology Review 的记者用自己的实测给出了一线反驳——他在 2026 年 7 月打开最新版 ChatGPT 和 Claude，问「给我一个随机数」，7。然后他让它们各自写一句 New Balance 跑鞋广告语，两个模型给出了完全相同的三个词：「Run your way.」
重复性或许在减弱，但远未消失。
一个开放问题：多样性坍缩能否逆转
Flint 证明了一件事：在不损失通用能力的前提下显著提升输出多样性，在技术上是可行的。但它也揭示了一个更深的困境。
首先是规模不对称。Springboards 是一家小团队，在 Qwen 3 开源模型上做微调——「训练一个基础模型不在我们的考虑范围，太贵了。」而真正的改变需要这种思路进入主流模型架构和训练流程。
其次是需求不对称。Weigl 说得明白：大多数时候用户并不真正需要多样性。他们想要的是熟悉、可靠、不会出错的回答。创造性发散是一种明确的任务需求，而不是一个通用的模型属性。
更深层的问题是：当所有主流模型都在类似的数据上、用类似的方法、为了类似的目标进行训练时，趋同或许不是 bug，而是这种范式的必然结果。Flint 通过定向修改概率分布实现了局部的多样性释放，但如果整个训练生态没有结构性改变，「人工蜂群思维」只会不断在新的模型代际中重新出现。
Springboards 的 CEO Pip Bingemann 说：「大多数语言模型在对抗幻觉，我们欢迎它们。」这句话背后是一种哲学立场：在这个追求可靠性、对齐性和安全性的行业里，有控制地保留一些「不听话」是有价值的。问题在于，这种价值能否被整合进定义下一代 AI 的主流议程。
