一篇来自康奈尔大学团队、编号arXiv 2605.26492、题为《Elias in the Lighthouse, Again? Diagnosing Low Diversity in LLM Stories》的论文引发讨论，研究让OpenAI、Anthropic、Google、AI2四家的四款大模型批量生成共2万篇虚构小说，统计用词与意象重复情况。结果显示88.3%的篇章包含11个高频循环词，超过半数出现灯塔（lighthouse）这一意象，以及名为Elias的角色；研究者据此判断生成文本多样性显著下降，疑似训练语料中常见母题被模型反复复用，即所谓模式坍缩（mode collapse）的一种表现。工作投稿EMNLP 2026。论文没有断言四款模型完全同质，而是通过可复现统计指出，在自由生成长篇叙事时，模型倾向回退到语料中频繁出现的人物、场景与情绪词，新故事看起来不同但骨架高度雷同。

为什么2万篇小说里反复出现灯塔和Elias？

灯塔在文学语料中常作为孤独、守望、转折的象征，出现频率高且意象中性，模型在缺乏具体设定时最容易采样到它；Elias这类名字在训练文本中重复出现且不指向特定文化禁忌，成为默认角色名。当提示只给宽泛主题，模型会从高频分布里抽样，越抽越集中，这正是生成多样性下降的微观表现。循环词把原本各异的故事压回同一批情绪标签。

这是不是真正的模式坍缩，还是采样策略造成的？

模式坍缩原本指训练数据为模型输出时，分布峰值被反复放大、尾部消失。本研究用固定模型直接生成，没有用模型数据回训，严格说属于生成分布低多样性现象，回灌训练后才会演化为坍缩。论文标题用问号本身也保持克制：它诊断低多样性，并未证明模型能力退化。11个高频词与Elias、灯塔是统计信号，需要排除温度、提示长度等采样变量。

对小说、营销文案与开放生成场景有什么影响？

当用户要差异化内容，模型默认模板化会让批量产出看起来千篇一律，内容农场式重复还可能触发平台识别。创作者需要主动注入具体设定、约束词表或多轮改写来打破高频回退。对评测而言，BLEU与困惑度测不出这种意象雷同，需要引入人物、场景、母题多样性指标，这也是论文的方法贡献。

四家模型都中招意味着行业共性还是语料问题？

四款来自不同实验室的模型都出现相似循环，说明问题更多来自公共训练语料的文学分布与解码偏好，而非某家模型独有。若未来生成语料大规模替代人类写作再回训，真实的模式坍缩可能从统计现象变成训练问题。研究提醒业界把多样性作为与能力并列的评测维度，而不只是分数。

信息来源与延伸阅读？

去论坛讨论

前往 silicon-agi.com 论坛 参与讨论