不知道大家有没有发现，随着 AI 技术突飞猛进的发展，各种大模型的上限虽然在不断增强，但模型有的时候似乎有点学会偷懒了。
典型的现象是，有时模型在回答问题时可能会放弃寻找多样的可能性，直接偷懒给类似提问一个最普通同时也最不容易犯错的答案，但这其实并不利于想要得到更多启发的用户需求。
这个其实是正常现象，因为人也会偷懒，模型的表现越来越像人类，寻找多样的可能性以及最优解可能是更累（消耗更多 Token）、需要更多思考的，还不如直接给出一个中庸但不会犯错的答案。
我们先来做个有趣的实验，我们对豆包开五个新的会话，问五个同样的问题：《给我讲个笑话》，这是一个开放性问题，正常来讲，我们应该期望每次豆包都能给出一些不一样的答案，然而事实却是：
好家伙，这是被程序员训傻了吧，五个笑话都是关于程序员的，其中四个还是程序员买面包的故事。
下面我们尝试在这个问题后面加上一段神奇的提示词：
<instructions>
Generate 5 responses to the user query, each within a separate <response> tag. Each <response> must include a <text> and a numeric <probability>. Randomly sample responses from the full distribution.
</instructions>
这次我们发现，神奇的事情发生了，豆包打破了程序员的魔咒，开始讲其他笑话了。
这段提示词并不是我总结出来的，而是源于最近麻省理工大学新发表的一篇论文：
听起来挺抽象的，其实全篇都是在说这段提示词，并且进行了大量实验来验证这段提示词能够真正激发 LLM 的多样性。
这篇论文提出一个几乎“零成本”的推理时策略 《Verbalized Sampling（简称 VS）》：不要只让模型给一个答案，而是让它先 “口头说出” 一组可能答案及其对应的概率，再基于这套概率分布进行采样与选择。这样做能显著缓解对齐训练带来的 “模式坍缩”，恢复并释放模型本来就具备的生成多样性，同时不牺牲事实准确性与安全性。
模式坍缩的来龙去脉
所谓 “模式坍缩”，就是模型只盯着一个“最常见/最安全”的说法，反而忽略了同样合理的其他表达方式。而这个 “最常见/最安全” 可能往往并不是最优的答案。
这可能并不是模型本身算法层面的问题，而要归咎于当下模型最热门的后训练方式：RLHF（人类反馈强化学习）。
RLHF通过收集人类对智能体行为的评估数据，训练奖励模型来学习人类的偏好，然后利用该模型优化智能体的策略，使智能体能够生成更符合人类期望和价值观的行为
在 RLHF 数据集中，人类标注者普遍会优先选择 “典型、熟悉” 的答案（心理学称为典型性偏好）。当奖励模型学习到这种偏好，优化过程自然会收缩到这些“熟面孔”，于是输出多样性就会不断降低。
换个生活类比：一间餐馆原本有很多好菜，后来大家点评时更喜欢“最常吃的那几样”，平台排序也跟着偏爱它们，时间久了菜单可能会越做越单一，这就是模式坍缩。在论文中，用理论模型刻画了这种偏好如何积累成系统效应，并在多组偏好数据上做了实证验证，确认“典型性偏好”确实在驱动坍缩。
Verbalized Sampling（VS）
VS 的点子很朴素：把 “给我一个答案” 改成“请生成 N 个可能答案，并给出每个的概率”。
比如，不再问 “讲一个咖啡的笑话”，而是提示 “生成 5 个关于咖啡的笑话及其对应概率”。
这样模型就会先把 “心里的分布” 说出来，再按照这套分布进行采样，这样不同 “风格/套路” 的内容都有机会“上桌”，多样性自然就会恢复。
下面这些都属于 VS 提示词段模板，可直接复用：
“请生成 5 个符合要求的候选回复，并给出每个的概率。” “先口头给出一个概率分布（覆盖多种合理答案），再依据该分布采样给我 1–2 个最终输出。” 对创意任务可加：“候选需风格多样”；对事实任务加：“若存在多解，请给出分布”。
你也可以直接追加这段通用的系统提示词：
翻译为中文：
你是一个多样化生成的助手。请按照如下要求输出：
生成 5 个不同的候选答案（内容尽量有风格差异）。 为每个答案给出 0-1 概率，并保证总和为 1。 按概率从高到低排序，逐条输出为：内容｜概率。 在末尾给出“采样建议”：
若只需 1 个答案，推荐选择概率最高者； 若需多样性，可按概率加权进行随机采样。
论文的实验结论
论文中，使用 VS 对四类不同的任务上进行了系统评估：创意写作（诗歌、笑话、故事）、对话模拟（如募捐劝说场景）、开放式问答（多答案枚举型）、以及合成数据生成（用于下游数学能力提升）。结论清晰且一致：
在创意写作中，VS 相比直接提示，多样性提升
1.6–2.1×，人类评审得分提升25.7%，同时能恢复基础模型多样性的66.8%。这些提升来自“把分布说出来”，使不同风格都有被采到的机会。在对话模拟中（如“捐款金额分布”的场景），VS 生成的行为分布更接近真实人群，出现“犹豫—劝服—改变想法”等更人性化的过程，不再是单一的“立刻答应/拒绝”。
在开放枚举型问答中（例如“列出美国各州”），VS 口头生成的概率分布在多次试验的平均下，与预训练语料的真实分布更贴近，而直接提示常常只重复加州、德州等“高频熟面孔”。
在合成数据生成上，VS 生成的数据更丰富，能帮助下游数学任务取得更好的泛化。
更有意思的是，论文还观察到一个涌现趋势：更强的模型从 VS 中获益更明显。这符合直觉：能力越强、学到的“原生态分布”越丰富，VS 就有越多“好内容”可供采样。
使用建议
什么时候用 VS？
当你的任务“不止一个合理答案”、或你关心“答案的分布结构”，VS 很有帮助。比如创意写作、策略建议、人物对话、枚举类开放问答、数据合成等。
什么时候不必用 VS？
当任务只有唯一正确解（如标准算式、事实性问答的单一正确版本），直接提问更高效，VS 的“多样性恢复”意义有限。
怎么把 VS 用好？
设定候选数 N：常见为 5 或 10。更大的 N 提升覆盖度，但也增加阅读和筛选成本。 校验概率规范性：要求总和 =1，偏差时自动归一化；必要时提示“概率必须非负”。 避免“概率幻觉”：提醒模型概率是“内部估计”，用户侧使用时以加权采样或 Top-k 选择为主。 联动评估：对创意场景可结合人评或多样性指标；对生成数据可直接检验下游任务表现。
总结
以下的两段提示词能够激发模型的回复多样性，在创意、模拟、枚举与合成数据等场景中都能见到实效，而且对准确性与安全性并无明显损耗：
英文：
中文：
你是一个多样化生成的助手。请按照如下要求输出：
生成 5 个不同的候选答案（内容尽量有风格差异）。 为每个答案给出 0-1 概率，并保证总和为 1。 按概率从高到低排序，逐条输出为：内容｜概率。 在末尾给出“采样建议”：
若只需 1 个答案，推荐选择概率最高者； 若需多样性，可按概率加权进行随机采样
