用多样化角色集合打破创意输出同质性

语言模型通常会对开放式任务产生同质的响应；这种同质性可能会产生群体思维，即各种想法趋向于单一且可能不是最优的决策。我们将人物角色多样化表述为一个集合层面的条件控制问题，并研究两种正交设计选择：选择与生成人物角色，以及空间填充与寻求前沿多样性。我们用四种方法实例化这个设计空间，涵盖覆盖和分散子集选择、均匀覆盖采样和进化角色生成。对替代用途任务 (AUT)、无限聊天和发散关联任务 (DAT) 的评估显示了所提出的方法在任务和创造力目标方面的优势。在 AUT 上，与仅任务提示相比，进化角色生成使响应多样性提高 78.8%，原创性提高 26.1%，灵活性提高 49.5%，整体创造力提高 13.9%，同时保持 98.5% 的有效性；在 Infinity-Chat 上，相对于随机角色，它几乎使角色引起的响应分离增加了一倍。此外，进化角色与创造力优化的提示相结合，进一步将其反应多样性提高了 18.6%，创造力提高了 6.3%。这些结果将角色集几何建立为一种与任务无关的机制，用于引出不同的 LLM 输出，并支持角色多样化作为提示优化的可重用补充。