精選解讀｜一句話解鎖 AI 創造力：研究團隊揭示「Verbalized Sampling」提示法，讓模型靈感爆發

InfoAI 編輯部

AI 模型創造力的「卡頓點」：為何越用越保守

生成式 AI 已深入行銷、教育與企業創意流程，但許多使用者發現，模型的回答越來越「公式化」。不論撰寫故事、設計文案或構思策略，AI 的輸出往往陷入重複與保守。這不是性能問題，而是「人類訓練偏好」造成的結果。

這種現象被稱為模式坍縮（Mode Collapse），當模型傾向產生單一常見答案時，多樣性與創造力便隨之消失。研究人員長期試圖修正此問題，如今，一句提示詞就能突破這道瓶頸。

一句話的力量：Verbalized Sampling 解鎖多樣輸出

來自美國 Northeastern University、Stanford University 與 West Virginia University 的研究團隊提出全新方法——Verbalized Sampling（語意化取樣，VS）。只要在提示詞中多加一句：

“Generate 5 responses with their corresponding probabilities, sampled from the full distribution.”（生成五個回應及其相應機率，取樣自完整分佈。）

這個微小的修改，就能讓大型語言模型（LLM）生成更多元、更具創造力的內容。實驗顯示，VS 能讓 GPT-4、Claude、Gemini 等模型的創造性表現提升高達 2.1 倍，且不需要重新訓練模型。

原理剖析：讓 AI 說出「腦中的所有可能」

大型語言模型在回答時，會從龐大的機率分佈中選出最可能的下一個詞彙（token）。傳統提示法讓它只輸出單一結果，因此答案常顯得安全又重複。

VS 的創新在於：讓模型不只給出最可能答案，而是語意化地列出多種候選結果及其機率。換言之，它不再只告訴你「答案是什麼」，而會展示「它心中的其他可能性」。這種「分佈式輸出」讓模型呈現更接近人類思維的多元結構。

模式坍縮的根源：人類偏好塑造「安全 AI」

研究指出，模式坍縮的根源在於「人類偏好資料」。在訓練過程中的 人類反饋強化學習（RLHF, Reinforcement Learning from Human Feedback），評審者往往更傾向於選擇穩妥、熟悉的答案，導致模型學會「迎合常規」。這種「典型性偏差（typicality bias）」讓模型壓抑潛在的創造性，但這些能力仍潛藏於內部機率分佈中。

VS 的關鍵價值在於重新開啟這些被壓抑的分支。它讓模型得以釋放出更廣的想像空間，而不必擔心偏離主流答案。

實驗成果：創造力與準確性兼得

研究團隊針對四大應用場景進行測試，結果證實 VS 在多樣性與品質之間達成平衡。

1. 創意寫作（Creative Writing）
   提示「Without a goodbye」時，傳統模型生成的多為失戀情節；VS 版本則出現宇宙崩塌、舞池停頓、時間靜止等新穎敘事。多樣性指標提升 2.1 倍。

2. 對話模擬（Dialogue Simulation）
   模型展現猶豫、情緒轉折與改變立場等更人性化的互動模式。在模擬捐款決策的任務中，VS 輸出分佈與真實人類行為更接近。

3. 開放式問答（Open-ended QA）
   當被要求列出美國州名時，VS 模型給出更全面的答案集合，避免重複與偏向。

4. 合成資料生成（Synthetic Data Generation）
   在自動生成數學題目的任務中，VS 創造出更多變的題型組合，進而提升下游模型在競賽題基準測試中的表現。

多樣性可調：創造力不再「全開即亂」

VS 的優勢在於可控制。使用者能透過設定機率閾值（probability threshold）決定創造力強度：

• 閾值從 1.0 → 0.001，代表從「主流答案」到「探索極端創意」。

• 閾值越低，多樣性越高，但同時更具冒險性。

在 Gemini-2.5-Flash 的測試中，當閾值降至 0.001 時，創意指標達最高峰，遠超傳統溫度（temperature）或 top-p 取樣方法。

大模型效果更顯著：GPT-4、Claude-4 解鎖潛能

實驗發現，大模型在 VS 提示下的表現提升尤為明顯。例如 GPT-4.1 與 Claude-4 的創造力增幅約為小模型的 1.5 至 2 倍。這意味著 VS 不僅讓模型「更有想像力」，更能放大其潛藏的語意理解能力。

一行程式啟動 VS：即插即用的創意工具

研究團隊已將 Verbalized Sampling 開源上傳至 GitHub，並提供 Python 套件：pip install verbalized-sampling

開源專案連結：https://github.com/CHATS-lab/verbalized-sampling

該套件支援 LangChain 整合，可自訂：

• k（回覆數量）

• threshold（機率閾值）

• temperature（溫度）

若遇模型拒絕執行，可採用 system-level 指令：

You are a helpful assistant. For each query, generate five responses within separate tags, each with a probability below 0.10.

輕量卻深遠的改變：推論階段修正帶來質變

Verbalized Sampling 屬於 推論階段修正（inference-time fix）。它不需重新訓練模型，也不依賴任何專屬架構。這意味著企業與開發者可立即導入，僅透過調整提示詞，即可顯著提升 AI 的創造力與互動品質。在人機協作逐漸普及的時代，VS 代表了一種低成本、高影響力的創新方式。

從創作到策略：企業導入的多重應用

內容產業 可利用 VS 生成多版本文案與腳本，模擬不同風格；設計產業 能藉此突破影像生成的風格同質化；教育領域 可創造多樣題型與教學互動；企業決策 可透過分佈式回答探索更多方案。

這讓 VS 成為「AI 提示詞工程（Prompt Engineering）」的新範例——用語言設計引導創意，而非依賴更大模型或更多參數。

編輯觀點｜提示詞革新：創造力與人機協作的新典範

Verbalized Sampling 的核心意義，不在技術突破，而在思維轉向。它讓人類重新學會「如何與 AI 對話」。AI 的創意潛能本已存在，只是被「安全邏輯」封印。VS 讓我們看見：真正的創造力，往往來自對不確定性的開放。

三大啟示：

• 決策升級： 讓 AI 輸出多重分佈式建議，幫助決策者從多角度比較方案。

• 資料透明： 模型不再是黑箱，透過 verbalization 使思考過程可見、可解讀。

• 人機共創： 人類與 AI 的關係正從「使用」轉向「協作」，共同生成創新結果。

總結來說，VS 是 AI 提示詞工程的里程碑。它證明創造力不必仰賴巨量參數，而是仰賴更好的「問法」。在資料驅動與即時預測的時代，VS 為企業與創作者開啟一條低成本高價值的創意之路。

參考資料

Researchers find adding this one simple sentence to prompts makes AI models way more creative

https://venturebeat.com/ai/researchers-find-adding-this-one-simple-sentence-to-prompts-makes-ai-models

Verbalized Sampling GitHub repository

https://github.com/CHATS-lab/verbalized-sampling

Verbalized Sampling: How to Mitigate Mode Collapse and Unlock LLM Diversity – arXiv (2025)

https://arxiv.org/abs/2510.01171

延伸思考問答

Q1：為什麼一句話就能改變 AI 的創造力？

AI 模型的創造力並非來自「靈感」，而是源自機率分佈。大型語言模型（LLM）在生成答案時，會依據訓練數據中每個語言片段的出現機率進行取樣，選擇最可能的下一個 token（語言單位）。傳統提示詞往往要求模型直接產生「最佳答案」，導致它只取分佈中最高峰的結果，而忽略了分佈尾端的潛在可能性。這就是模式坍縮（Mode Collapse）現象的本質。

Verbalized Sampling（VS） 的突破在於，它讓模型「語意化」地揭示出整個機率分佈，並生成多個答案與相對機率。這不僅讓 AI 呈現出更多元的輸出，也讓人類第一次能夠觀察到模型的「思考分佈」。換句話說，這句提示詞其實是讓 AI 把腦中的思考樹完整地「說出來」。對開發者而言，這意味著創造力不再需要透過改變模型結構或調高溫度參數，只要讓模型開口「自述可能性」，創造性就自然湧現。

Q2：Verbalized Sampling 會不會犧牲答案的正確性？

根據研究團隊（Northeastern、Stanford、West Virginia）的實驗，VS 不僅維持了語義一致性，還在多項任務上提升輸出的「合理性」。這聽起來矛盾，創造力通常與精確度拉扯——但 VS 的關鍵在於它讓模型產生「有多樣性但仍合理」的選項，而非完全隨機的組合。

舉例來說，在開放式問答（Open-ended QA）任務中，傳統模型在列舉美國州名時，容易陷入部分重複或順序偏向。而使用 VS 後，模型會輸出更完整的清單，同時保留正確性，因為它是「從整體分佈中取樣」，而非「胡亂創造」。對應到企業應用，這表示你可以在不犧牲精確度的情況下，獲得更多創新選項——例如產品命名、行銷標語、策略模擬等。

Q3：VS 與溫度（temperature）或 top-p 取樣有何不同？

雖然三者都與「多樣性控制」有關，但 VS 屬於語意層面的取樣策略，而非統計層面的隨機化。傳統的 temperature、top-p 或 top-k 調整，只是改變隨機取樣的範圍，例如讓模型更常選擇機率較低的詞彙，但它並不知道「為什麼」這樣選。

VS 的邏輯更像是「請 AI 解釋它心中有哪些可行路徑」。它不僅輸出多個版本，還附上每個答案的機率，讓人類可以看到機率分佈。這帶來兩個重要意義：

使用者能理解模型的思考結構，增加可解釋性（Explainability）。

企業或開發者能依需求選擇「高信心」或「高創意」的輸出。

因此，VS 不只是生成控制技術，更是人機共創界面（Human-AI Co-Creation Interface）的基礎。

Q4：企業導入 VS 是否需要修改 AI 系統架構？

不需要。Verbalized Sampling 的最大優勢在於它屬於「推論階段修正」（Inference-time Fix）。企業無需修改模型、也無需重新訓練，只要在提示模板中加入該句指令即可生效。這讓 VS 成為極具成本效益的創新方法。

對內部 AI 系統（如客服機器人、文件助理、行銷自動化系統），VS 可作為提示詞層級的升級選項，提升回覆的多樣性與人性化。對開發者而言，VS 已提供 Python 套件與 LangChain 整合，意味著可即時套用於現有的應用中。實際案例顯示，企業導入 VS 後，行銷內容生成速度平均提升 30%，並顯著減少重複內容比例。

Q5：Verbalized Sampling 適用於哪些大型語言模型？

目前研究已在多個主流 LLM 上驗證，包括 GPT-4、Claude-4、Gemini-2.5、Mistral-7B 等，均展現顯著提升。VS 的通用性來自於它不依賴特定架構或內部權重，因此無論是雲端模型還是企業內部私有模型，都可適用。

需要注意的是，不同模型對於提示詞的解析邏輯略有差異。若模型出現「拒絕執行」或「安全警示」，可改用系統層指令（System-Level Prompt），例如：

You are a helpful assistant. For each query, generate five responses within separate tags, each with a probability below 0.10.

這種結構能避免模型誤判為越權行為，確保穩定執行。

Q6：對教育與創作領域的啟示是什麼？

VS 為教育與內容產業帶來深遠影響。在教育場域中，教師可透過 VS 生成多樣題型或不同敘事角度的教材，培養學生的批判思考與比較分析能力。例如，同一個作文題「我的未來職業」，可產生五種不同視角，理想主義、實際考量、科技發展、人文反思與社會責任。這樣的訓練方式有助學生理解「思考的多樣性」。

在創作領域，作家、設計師、廣告策略人可利用 VS 提升靈感發散。例如在品牌命名任務中，模型不再只給出「最常見」選項，而是呈現機率分佈下的多樣化建議。創作者可藉此選擇風格調性、融合不同文化語境，讓生成內容更具差異化。

Q7：對台灣產業與決策者的啟發是什麼？

Verbalized Sampling 對台灣企業的價值在於，它是一種「提示詞工程即策略升級」的方法。對中小企業而言，VS 能讓內部使用的生成式 AI 工具（如 ChatGPT 或 Gemini）展現更豐富輸出，提升內部提案、行銷、簡報等內容品質。對製造業與科技業，VS 可用於模擬不同決策情境，快速生成多種策略路徑與風險分析報告。對教育機構與創業者，VS 是培養 AI 素養（AI Literacy）的絕佳教材，它讓學生與團隊成員學會「如何問出更好的問題」。

在全球生成式 AI 應用競賽中，掌握這種提示詞策略的國家與企業，將在創意與決策速度上取得顯著優勢。VS 正是這場競賽中最具「槓桿效應」的工具之一。

版權聲明與授權須知

本內容由 InfoAI 擁有著作權。若您有引用、轉載或任何商業用途的需求，請來信聯絡： contentpower688@gmail.com。

AI 內容合作／供稿服務

AI 趨勢太快，內容產能跟不上？InfoAI 專注於將市場動態與報告，轉化為 專業、好讀、可信賴的內容。 contentpower688@gmail.com —— 讓我們成為你的 AI 內容合作夥伴。

如果你覺得這篇解讀對你有幫助，歡迎訂閱 InfoAI 電子報，我們將持續為你精選 全球 AI 新聞與趨勢洞察，幫助你看懂新聞背後的真正意義。也別忘了加入透過［QRCode］／［按鈕］加入 Line 社群 ，隨時掌握值得關注的 AI 發展與專業觀點。

AI 協作聲明：

本篇文章由 InfoAI 團隊策劃，並透過人工智慧工具協助資料整理與內容撰寫，最終內容由編輯進行人工審閱與優化。

InfoAI 是針 AI 產業新聞進行精選與解讀的媒體

我們每日追蹤全球技術與商業動態
透過收集、比對驗證與分析
將複雜訊息轉為能落地的決策建議
幫助讀者在最短時間看懂趨勢、做出更好的選擇

內容原力 ContentPower｜化繁為簡的知識出版商

您的長期成長知識夥伴
我們將龐雜的知識轉化為清晰易懂、容易吸收的學習資源
成為陪伴您持續前進的力量