生成式人工智能模型在内容创作中常面临输出重复、单一的问题，尤其在需要创意表达的场景下，这种局限性更为明显。斯坦福大学与西弗吉尼亚大学等机构的研究人员开发出一种名为“语言化采样”的新技术，通过调整模型提示方式，有效突破了这一瓶颈。实验表明，该方法无需修改模型结构或重新训练，仅需在输入指令中添加特定语句，即可显著提升生成内容的多样性。
传统生成模型依赖对下一个信息单元的概率预测进行输出选择。例如，当被问及“法国的首都是哪里”时，模型会从概率分布中选取最高值的“巴黎”作为答案。这种机制虽能保证回答的准确性，却导致生成结果趋于同质化。研究指出，在创意写作、对话生成、策略规划等领域，这种模式固化现象严重限制了模型的实用价值。
“语言化采样”的核心创新在于要求模型同时输出多个候选结果及其对应概率。研究人员通过在提示中加入“生成5个响应及其概率，从完整分布中采样”的指令，迫使模型展示更广泛的潜在可能性。测试数据显示，采用该方法后，创意写作任务的生成内容重复率下降42%，对话模拟中的人类思维波动特征增强37%，开放式问答的答案分布更接近真实世界数据。
该技术的优势在于其灵活性与普适性。用户可通过设定概率阈值控制生成结果的保守程度：提高阈值可获得更可靠但相对常规的输出，降低阈值则能激发更具创意的答案。实验证明，这种方法适用于多种主流语言模型，包括文本生成和图像创作领域，且实施成本极低，仅需修改提示语句即可生效。
研究团队强调，这种改进并非以牺牲输出质量为代价。在保持答案合理性的前提下，模型能够提供更多元的选择。例如在故事创作任务中，VS方法生成的情节转折点比标准提示多出2.3倍，同时逻辑自洽率维持在91%以上。对话系统测试显示，采用新方法的模型能更准确地模拟人类情绪变化，生成带有犹豫、修正等自然语言特征的回应。
关键发现：
• 提示工程创新可显著改变模型行为模式
• 多样性提升效果在创意类任务中最为明显
• 概率阈值调节机制提供个性化控制空间
• 现有模型架构通过简单指令即可实现升级
