💬 NLP

More Is Not More: What Matters for Diversity in LLM Opinions?

本文采用析因实验来证明，增强大语言模型观点多样性的关键不在于通过增加人格细节或温度等单一因素的规模，而在于有策略地结合不同的交互架构，并识别出过度细化人格所带来的收益递减现象。

原作者： Qiyang Yao

发布于 2026-07-24✓ Author reviewed ⓘ

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Qiyang Yao

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图举办一场规模宏大的虚拟晚宴，每一位宾客都是一个拥有独特思想、记忆和见解的不同个体。你想要听到各种天马行空的观点，从激进的政治见解到关于未来的奇特理论。然而，这里有一个限制：你邀请的并不是真人。相反，你是在要求一个被称为“大语言模型”（LLM）的超级智能计算机程序来扮演这些宾客。这些模型就像出色的演员，能够阅读整个互联网并完美模仿人类的语言。然而，当你要求它们扮演一群人时，它们往往会听起来如出一辙。它们过于趋同，使用相同的短语，最终变成了一场乏味且单一的对话。这是一个问题，因为如果你想了解真实的人们在想什么，你需要的是一个真正像“人群”一样的群体，而不是一个在完美合唱中齐声歌唱的合唱团。

科学家们一直试图解决这个“乏味的派对”问题。他们尝试过给计算机提供更多关于它正在扮演谁的细节（比如说：“你是一位名叫莎拉的45岁教师”），或者改变这些计算机宾客相互交流的方式（比如让它们在小组中争论，而不是仅仅一个接一个地回答问题）。他们还尝试过调高计算机的“创造力旋钮”，看看是否能让它变得更随机和多样化。但直到现在，还没有人能清晰地绘制出哪种技巧实际上最有效。这就像是在不知道面粉、鸡蛋或烤箱温度究竟是让蛋糕变好吃的关键因素是什么的情况下，试图通过混合所有食材来烘焙一个蛋糕。

这篇题为《并非越多越好》（More Is Not More）的论文，就像是一次大规模的科学“味觉测试”，终于将这些成分拆解开来，以观察究竟什么才是真正重要的。研究人员设计了一个包含100个不同问题和7种不同计算机模型的庞大实验。他们测试了两种主要的增加观点多样性的方法：输入调节（即你向计算机提供了多少关于它所扮演身份的细节）和交互架构（即计算机宾客之间如何交流）。他们还测试了一些人们常尝试的“廉价伎俩”，比如直接告诉计算机“要保持多样性”，或者调高随机性。

以下是他们的发现，事实证明答案有些令人惊讶：

1. “细节陷阱”
许多人认为，你给计算机提供的背景故事越多，它的观点就会越独特。你可能会想：“如果我告诉计算机它是一位住在亚特兰大、去教堂、年薪7.8万美元、名叫莎拉的34岁黑人女性，它就会表现得超级独特！”但研究发现，事实并非如此。多样性最大的飞跃出现在仅提供极少信息的时候——比如仅仅说：“你是一名教师。”一旦你加入了这一句话，计算机就开始表现得更像一个真实的人。当你添加所有额外的细节（年龄、种族、收入、爱好）时，并没有带来多少帮助。事实上，对于某些模型来说，提供过多的细节反而会让观点变得不那么多样化，仿佛计算机产生了混乱，或者开始固守刻板印象。这就像试图通过给角色写一份10页的传记来让其变得有趣；有时，仅仅知道他们的职业就足以激发独特的声线，而其他的细节只会让剧本变得杂乱无章。

2. 群聊的力量
研究人员还观察了计算机宾客是如何互动的。他们比较了三种风格：

独奏者：计算机回答一个问题后便离开。
深度访谈：计算机回答问题，然后被问到一个后续问题，接着是另一个，从而与自己进行一场长对话。
焦点小组：五个不同的计算机“人”在一个群聊中进行交流。

结果显示，“深度访谈”和“焦点小组”都比“独奏者”创造了更多样化的观点。但关键在于，它们不仅仅是让相同的观点变得更好，而是探索了完全不同的思想世界。“深度访谈”风格挖掘了更深层的、内省的角度，而“焦点小组”风格则找到了不同且更具比较性的角度。研究表明，如果你想获得最广泛的观点，你不应该仅仅选择“最好的”方法。相反，你应该同时运行两种方法并将它们的答案结合起来。这就像是一位诗人与一支辩论队针对同一主题进行创作；他们的答案不会重叠，因此通过阅读两者的内容，你会得到一个更加丰富的思想集锦。

3. “廉价伎俩”不起作用
最后，论文测试了许多人首先尝试的低成本技巧。他们尝试提高“温度”（一个让计算机更随机、更不可预测的设置）以及添加诸如“请给出多样化的视角”之类的指令。结果呢？这些技巧几乎没有任何作用。调高随机性并没有创造出新的想法，只是让旧的想法听起来稍微有点混乱。告诉计算机“要多样化”就像告诉一个害羞的人“要幽默”一样——它并不会真正改变其个性。研究发现，一个简单的、一句话的职业描述（如“你是一名教师”）在创造多样化观点方面的效率，是最好的“廉价伎俩”的2.5倍。

底线结论
这篇论文的核心信息是，多样性不在于做更多同样的事情。它不是关于编写更长的传记，也不是关于调高随机性旋钮。相反，它关乎你提问的结构。要从计算机中获得真正多样化的观点，你需要先给它一个简单的身份，然后让它以不同的方式探索主题——比如让它在长篇访谈中与自己对话，以及让它在与一群朋友聊天。如果你想要一个真实的人类观点模拟，你需要的是策略的组合，而不是一堆更庞大的指令。

技术摘要：并非越多越好：什么才是影响 LLM 观点多样性的关键？

问题陈述

大型语言模型（LLMs）正越来越多地被用于模拟多样化的人类观点，以执行诸如合成调查、焦点小组建模和公众舆论预测等任务。然而，这些系统表现出系统的**观点同质化（opinion homogenization）**现象，即输出结果趋向于相似的观点，导致其立场分布比人类群体更为狭窄。

目前的缓解措施较为零散。从业者采用各种干预手段——从详细的个性化提示（persona prompting）到多智能体辩论架构——但这些手段通常是孤立评估的，或者在单个系统中同时升级。这种输入调节（input conditioning）与交互架构（interaction architecture）之间的“对角协同演化（diagonal co-evolution）”使得人们无法将多样性的增益归因于特定的组件。此外，该领域缺乏统一的评估标准，现有研究使用的指标互不兼容（例如，词汇重复率与语义嵌入离散度）。

研究方法

为了填补这些空白，作者设计了一个析因实验（factorial experiment），将 LLM 模拟系统的两个主要维度进行解耦：输入调节与交互架构。

实验设计

本研究评估了 19 种不同的实验条件，涵盖 7 种聊天模型（包括来自 DeepSeek、OpenAI、Google、Moonshot、Meta、xAI 和 Alibaba 的提供商），并使用了源自 WildChat 数据集的 100 个真实世界开放式问题。

输入调节（人格深度）：
- 无（None）： 默认系统提示词。
- 角色（Role）： 单句职业描述（例如，“小学教师”）。
- 基础（Basic）： 角色 + 核心人口统计特征（姓名、年龄、种族、性别、地点）。
- 中等（Mid）： 基础特征 + 结构化属性（教育、收入、婚姻状况、宗教、政治倾向）。
- 专业（Pro）： 中等特征 + 约 150 字的传记叙述。
- 注：研究使用了 20 种不同的个性化剖面（persona profiles），涵盖了人口统计学的变化。
交互架构：
- 单次调用（Single-Call）： 每个个性化剖面进行独立 API 调用（每个问题 20 个响应）。
- 多轮自我提示（Multi-Turn Self-Prompting）： 每个个性化剖面进行三轮对话，并辅以中性的后续探测（每个问题 60 个响应）。
- 多智能体讨论（Multi-Agent Discussion）： 5 个多样化个性化剖面之间的三轮小组讨论（每个问题 15 个响应）。
低成本对照组：
- 在 单次调用 × 无 基准线上进行了评估：增强型提示（多样性指令）、高温度值（T=1.0）、人口统计线索（仅列出维度而不使用具体个性化剖面）、以及特征分配（随机性格标签）。

评估流程

该流程通过三个阶段将原始响应转化为可比较的指标：

观点提取： 使用 DeepSeek v3.2 提取原子观点陈述（判断、立场、价值主张），同时过滤掉事实性陈述、社交用语和个性化剖面的自我描述。
嵌入（Embedding）： 使用 text-embedding-3-small 将提取的观点映射到 1536 维向量空间。
指标计算：
- $\alpha$ -多样性（条件内）： 使用平均成对距离（MPD）、聚类数量（CC）和 Vendi 分数（VS）来衡量离散度。CC 和 VS 经过稀疏化处理，以控制不同的观点数量。
- $\beta$ -多样性（条件间）： 使用 $\beta$ -Vendi 分数和唯一聚类比（UCR）来衡量互补性，以确定不同条件是否覆盖了不同的观点区域。

核心发现

1. 人格深度的边际收益递减

与“细节越多，多样性越高”的直觉相反，研究发现人格深度并不一定会单调增加多样性。

**角色（Role）**这一初始步骤捕捉到了大部分的多样性增益（例如，在所有模型中 $\delta \ge 0.62$ ）。
添加人口统计属性（Basic）并不能持续提升相对于“角色”的水平；在某些模型（如 Gemini, Kimi, GPT-mini）上，它甚至降低了多样性。
进一步的细化（Mid 和 Pro）带来的收益微乎其微或几乎可以忽略不计。
广度优于深度： 扩大个性化剖面的数量（从 5 个增加到 20 个）在覆盖范围上的效果优于丰富单个个性化剖面的描述。

2. 架构间存在非重叠的观点区域

不同的交互架构探索的是高度非重叠的观点区域。

虽然多轮对话和多智能体架构都优于单次调用，但它们并不只是简单地复制彼此的输出。
多轮对话与多智能体架构之间的**唯一聚类比（UCR）**约为 79%（在基准校准后），这意味着其中一种架构中的约 80% 的观点聚类在另一种架构中是不存在的。
结论： 结合多种架构比优化单一架构能获得更广泛的覆盖。

3. 低成本捷径的无效性

常见的低成本干预手段产生的效果微乎其微，与结构化干预相比差异显著。

提高采样温度、添加“考虑多样化视角”的指令，或在没有个性化剖面的情况下插入人口统计关键词，对多样性的提升作用极小。
简单的**角色（Role）**描述在 MPD 增益上比最好的低成本技巧（特征分配）高出约 2.5 倍。

4. 交互效应

两个维度（调节与架构）在离散度（MPD）方面基本相互独立，但在类别丰富度方面存在交互作用。

个性化调节显著增加了多轮对话中的观点类别（+82%），但在多智能体模式下的效果则较弱（+15%）。
在多智能体设置中，其他智能体的可见性似乎会将截然不同的个性化驱动类别压缩进一个共识叙事中，即使没有明确的达成一致指令也是如此。

意义与贡献

本文提出了三个主要贡献：

归因框架： 它将 LLM 观点多样性重新定义为一个归因问题，提供了一种析因实验设计，从而隔离了输入调节与交互架构的影响，超越了目前实践中存在的“对角协同演化”问题。
统一评估协议： 它引入了一个包含观点提取、 $\alpha$ -多样性（离散度）和 $\beta$ -多样性（互补性）指标的可复用协议，实现了跨研究的可比性。
实证审计： 它通过对 7 种模型和 100 个问题的系统审计，挑战了“越多越好”的假设。研究结果表明，多样性并非来自于单一维度（如更长的个性化描述）的规模化，而是高度取决于干预的结构形式与组合方式。

作者总结道，该领域必须从“假设驱动的探索”转向“基于实证的多样性策略设计”。对于从业者，研究建议从单句职业描述开始，避免调整温度或使用通用指令，并部署多种交互架构以实现最大化的观点覆盖。