Verbalized Sampling：一句提示词，为什么能让模型少说套话

量子位报道，一篇被 ICML 2026 接收的论文把「提示词工程」带进了争议现场。论文提出 Verbalized Sampling：让模型一次生成多个答案，并为每个答案口头给出概率值，以此缓解模型总选最常见答案的模式坍缩。

文章转述的实验覆盖 5 个偏好数据集和不同基座模型。在创意写作任务上，Verbalized Sampling 的多样性约为普通提示的 1.6 到 2.1 倍，同时没有观察到事实准确性和安全性下降。这里的数字来自量子位对论文的转述，图集中的结果图是原文研究图，不代表本频道复现实验。

争议也很直接：有人认为这只是换一种写法，不足以称为机器学习创新；支持者则认为，问题溯源、典型性偏差分析和多组实验比提示词本身更值得看。它提醒我们，推理阶段的使用方式也在成为研究模型行为的一条路径。

图集顺序：论文标题页、模式坍缩例子、结果图。

来源：