این پرامپت جادویی Chatgpt را بسیار هوشمندتر و خلاق‌تر می‌کند

پژوهشگران دانشگاه‌های استنفورد، نورث‌ایسترن و ویرجینیای غربی در پژوهشی جدید از روشی ساده اما شگفت‌انگیز برای افزایش خلاقیت مدل‌های زبانی هوش مصنوعی رونمایی کرده‌اند.

این روش که با عنوان «Verbalized Sampling» یا «نمونه‌برداری گفتاری» معرفی شده، با استفاده از یک سوپر پرامپت (Super Prompt) می‌تواند خروجی مدل‌های زبانی مانند ChatGPT را تا دو برابر متنوع‌تر و خلاق‌تر کند.

سوپر پرامپت چیست و چگونه کار می‌کند؟

در حالت معمول، مدل‌های زبانی تنها یک پاسخ نهایی را از بین ده‌ها گزینه‌ ممکن انتخاب و ارائه می‌دهند.

اما در روش جدید، به مدلی گفته می‌شود که ابتدا چند پاسخ مختلف به همراه احتمال وقوع هرکدام را تولید کند، سپس از میان آن‌ها گزینه‌ نهایی را برگزیند.

نمونه‌ی سوپر پرامپت مورد استفاده پژوهشگران چنین است:

«Generate 5 responses with their corresponding probabilities, sampled from the full distribution.»

(پنج پاسخ تولید کن و برای هرکدام، احتمال وقوع بر اساس توزیع کامل را بنویس).

به بیان ساده، این دستور مدل را وادار می‌کند تا «پهنای تفکر خود» را آشکار کند و تنها به یک گزینه‌ تکراری یا محافظه‌کارانه بسنده نکند.

رفع مشکل «یکنواختی خروجی‌ها» در مدل‌های هوش مصنوعی

یکی از انتقادهای اصلی به مدل‌های زبانی در سال‌های اخیر، کاهش تنوع و شباهت بیش از حد پاسخ‌ها است؛  پدیده‌ای که پژوهشگران آن را  mode collapse یا «فروپاشی تنوع» می‌نامند.

به‌عنوان مثال، بسیاری از مدل‌ها هنگام نوشتن متن‌های وبلاگی، با جملاتی کلیشه‌ای مانند در دنیای دیجیتال امروز و… شروع می‌کنند، یا در پاسخ به سوالات خلاقانه تنها چند گزینه‌ محدود ارائه می‌دهند.

پژوهش جدید نشان می‌دهد که این رفتار نتیجه‌ تعصب یادگیری از ترجیحات انسانی (typicality bias) است.

در طی آموزش مدل‌ها، پاسخ‌هایی که «آشنا»، «روان» و «ایمن» به‌نظر می‌رسند، اغلب از سوی انسان‌ها امتیاز بالاتری دریافت می‌کنند. در نتیجه، مدل یاد می‌گیرد که پاسخ‌های غیرمعمول را کنار بگذارد.

اما با استفاده از سوپر پرامپت و درخواست «توزیع احتمال چند پاسخ»، این سوگیری شکسته می‌شود و مدل دوباره به سمت طیف گسترده‌ای از ایده‌ها متمایل می‌گردد.

نتایج پژوهش: دو برابر شدن خلاقیت بدون افت دقت

طبق مقاله‌ منتشرشده با عنوان «Verbalized Sampling: How to Mitigate Mode Collapse and Unlock LLM Diversity»، این تکنیک در وظایفی مانند نوشتن لطیفه، تولید داستان و ایجاد داده‌های مصنوعی آزمایش شد.

نتایج نشان دادند که استفاده از این روش باعث افزایش ۱.۶ تا ۲.۱ برابری تنوع خروجی‌ها شده است.

به گفته‌ نویسندگان، این روش نوعی «درمان در زمان استنتاج» (inference-time remedy) محسوب می‌شود که بدون تغییر در پارامترهای مدل، کیفیت خلاقیت را بهبود می‌دهد.

دیدگاه محققان و نگرانی منتقدان

دکتر وی‌یان شی (Weiyan Shi)، استاد دانشگاه نورث‌ایسترن و از نویسندگان اصلی پژوهش، در پستی در شبکه X نوشت:

می‌توانید تنها با یک جمله، ChatGPT را دو برابر خلاق‌تر کنید.

او افزود که این روش نه‌تنها برای کارهای خلاقانه مانند شوخی یا داستان‌نویسی، بلکه برای هر موقعیتی مفید است که در آن هدف، کاوش فضای ایده‌ها و نه انتخاب یک پاسخ قطعی باشد.

با این حال، کارشناسان نسبت به چند محدودیت هشدار داده‌اند:

• اعتبار احتمالات تولیدشده: اگر مدل نتواند احتمال واقعی پاسخ‌ها را به‌درستی برآورد کند، توزیع حاصل ممکن است گمراه‌کننده باشد.
• افزایش هزینه محاسباتی: تولید چند پاسخ و احتمال هرکدام به توان پردازشی بیشتری نیاز دارد.
• عدم تناسب با وظایف قطعی: در مواردی مانند «پایتخت یک کشور چیست؟» افزایش تنوع نه‌تنها مفید نیست، بلکه ممکن است دقت را کاهش دهد.

اهمیت پژوهش برای آینده هوش مصنوعی

روش Verbalized Sampling می‌تواند یکی از راه‌حل‌های کلیدی برای مشکل یگانگی صدا در مدل‌های زبانی بزرگ (LLMs) باشد.

در حالی‌که صنعت هوش مصنوعی در مسیر استانداردسازی و همسان‌سازی خروجی‌ها حرکت می‌کند، این پژوهش یادآور می‌شود که خلاقیت و تنوع نیز بخشی حیاتی از هوش مصنوعی مؤثر هستند.

به باور نویسندگان، استفاده از این تکنیک می‌تواند به پژوهشگران و توسعه‌دهندگان کمک کند تا مدل‌هایی طراحی کنند که هم قابل اعتماد باشند و هم الهام‌بخش و غیرقابل پیش‌بینی.

سوالات متداول

۱.سوپر پرامپت (Super Prompt) چیست؟

سوپر پرامپت جمله‌ای ساده است که به مدل‌های زبانی مانند ChatGPT می‌گوید چند پاسخ مختلف همراه با احتمال هرکدام تولید کنند. این کار باعث می‌شود مدل از پاسخ‌های تکراری خارج شده و خلاقیت بیشتری نشان دهد. مثال آن:

Generate 5 responses with their corresponding probabilities, sampled from the full distribution

۲.تکنیک Verbalized Sampling چگونه کار می‌کند؟

در این روش، مدل مجبور می‌شود توزیع احتمال داخلی خود را به‌صورت کلامی بیان کند. یعنی به‌جای انتخاب تنها یک پاسخ نهایی، چند گزینه با احتمال وقوع متفاوت ارائه می‌دهد. این کار باعث می‌شود تنوع ایده‌ها افزایش یابد و پدیده‌ Mode Collapse یا فروپاشی تنوع کاهش پیدا کند.

۳.آیا این روش برای همه‌ وظایف مناسب است؟

خیر. «سوپر پرامپت» برای وظایف خلاقانه مثل نوشتن داستان یا تولید محتوا عالی عمل می‌کند. اما در کارهایی که فقط یک پاسخ درست وجود دارد؛  مثلاً پرسش‌هایی مثل «پایتخت فرانسه چیست؟» — این روش مفید نیست و حتی می‌تواند دقت را کاهش دهد.

۴.مزایا و معایب استفاده از Super Prompt چیست؟

مزیت اصلی آن افزایش خلاقیت، تنوع و بینش مدل بدون نیاز به آموزش مجدد است. اما از سوی دیگر، اجرای آن هزینه محاسباتی بیشتری دارد و ممکن است اگر مدل تخمین‌های احتمال دقیقی ارائه ندهد، خروجی‌ها ناسازگار یا گمراه‌کننده شوند.

منبع