arXiv cs.CL· Alejandro Mozo Quesada (Universidad de M\'alaga, Spain), Sergio G\'alvez Rojas (Universidad de M\'alaga, Spain), Francisco L\'opez Valverde (Universidad de M\'alaga, Spain)·· 10 小时前AI 评分31
LLM 小说角色名集中问题研究：测量名字偏移与缓解重复
Character-Name Concentration in LLM Fiction: Measuring Displacement and Mitigating Repetition
AI 导读
研究提出免微调的 speculative naming 方法，将推测解码的草稿-验证-拒绝范式从 token 迁移到角色名，通过 verbalized sampling 生成候选名字集并用 SlopTracker 打分筛选。
正文 · AI 翻译
摘要：大型语言模型（LLM）小说中的人名集中于少数反复出现的人名，如“Elara”和“Elias”，这是 AI 生成劣质内容（AI slop）的一个可测量表现。现有修复方法要么需要 logit 访问权限或重新训练，要么按请求逐一处理，无法控制整个语料库中的集中度。提示词层面的策略能在多大程度上降低集中度，以及以多大代价损害人名自然度，尚未得到系统测量。我们提出了一项跨八种策略的人名集中度控制实证研究，并引入推测式命名（speculative naming），这是一种无需微调的方法，它将推测解码的草稿-验证-拒绝范式从 token 迁移到人名。该方法通过言语化采样请求候选名称集，将其与结合了每模型指纹和运行时计数器的 SlopTracker 进行评分，并通过温度控制规则或其严格变体（HARD）进行选择。我们使用 20 个 LLM 从文本和视觉刺激生成四种语言的 44,782 篇故事（88,919 个命名角色），并用无列表碰撞指标（Slop Ratio，SR）测量集中度，该指标分解为已知和涌现两个分量。基于列表的策略无法消除 slop：静态禁用列表将集中度转移到涌现名称上，并使有据可查的真实人名占比减少一半以上。推测式命名则能消除它：仅采样脚手架平均将 SR 降低 89%，动态跟踪器将总降幅提升至 95%，平均碰撞概率从 7.3% 降至 0.4%，已知名称碰撞保持为零，同时自然度接近基线（按语言有 42-69% 有据可查），故事内碰撞从 4.3% 降至 0.2%。该策略排名在语言、模型家族和名称计数约定之间保持稳定。因此，人名集中度可以在语料库层面控制，无需 logit 访问权限或重新训练；命名之外的更广泛创意多样性仍有待探索。
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.01284 [cs.CL] |
| （或 arXiv:2611.01284v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.01284 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Alejandro Mozo Quesada [查看电子邮件]
[v1]
2026 年 10 月 31 日星期六 21:36:29 UTC（349 KB）
来源：arXiv cs.CL · arxiv.org