周期性注入新主题提升模型生成意外感与关联性

Roberto I. Ono Filho 发布的论文（v2）称，在基础语言模型的无任务生成中，每隔数百 token 注入一个新主题，可提升 LLM 评判的意外感 1.2 至 1.4 分、关联性 0.7 至 0.9 分，对照条件是仅抑制字面重复（习惯化）的文本流。研究拆解了一个受认知启发的生成循环，在三个基础模型上测试 24 种条件，主要效果来自这种周期性中断。 作者称，在新前提下进行的预注册复现确认了主要对比结果；但局部增益无法叠加，没有任何一组条件产出整合连贯的文档。v2 版为对照记录审计后作出更正，作者称结论未变，更正列于论文中。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。