论文下载地址：

https://arxiv.org/pdf/2510.22954

这篇论文名为《Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond)》（可译为《人工蜂群思维：语言模型在开放式生成中的同质化及更深远影响》）

很多人担心大模型，首先想到的是“会不会胡说”“会不会答错”。但这篇论文担心的是另一种更隐蔽的风险：模型不一定答错，甚至经常答得不错，但它们可能在开放式问题上越来越像，最后形成一种“人工蜂群思维”。

这篇论文想说的是：

现在的大模型，看起来很多、品牌很多、参数很多，但在很多“没有标准答案”的开放式问题上，它们给出的想法、比喻、创意、措辞，常常会收敛到少数几种模式。

这不只是“一个模型有点重复”这么简单，而是更大的问题：
不同模型也可能像在共享一个“大脑习惯”一样，越来越趋同。

接下来我们开始讲解吧

第一部分：背景

1. 拆解标题：什么是“人工蜂群思维”？

要看懂这篇论文，我们先从它极具隐喻性的标题入手：

• Artificial Hivemind (人工蜂群思维)： 想象一下蜂巢里的蜜蜂，它们没有独立的思想，所有蜜蜂都仿佛共享同一个“大脑”，做着整齐划一的动作。作者用这个词来形容现在的 AI 大模型（比如 ChatGPT、Claude、DeepSeek 等）：虽然它们看起来是不同公司开发的独立 AI，但它们的“思想”正在变成同一个模子刻出来的。

• Open-Ended (开放式问题)： 比如我问“北京首都是哪”，这是有标准答案的封闭问题。但如果我问“请帮我写一封辞职信”或者“讲一个关于星际穿越的科幻故事”，这就是开放式问题。这类问题本该有无数种天马行空、各具特色的回答。

• Homogeneity (同质化)： 意思就是“千篇一律”、“大家变得越来越像”。

当我们让 AI 去做那些需要创造力、没有标准答案的“开放式任务”时，现在市面上的所有 AI 模型都失去了个性。它们给出的回答越来越像，仿佛共享着同一个“蜂巢大脑”。

2. 论文“实锤”的两个可怕现象

为了证明这个观点，研究人员耗费巨大精力测试了市面上 70 多个大语言模型，并发现了两个非常明显的“同质化”现象：

• 现象一：模型内重复 (Intra-model repetition) —— “自己抄自己”

  • 小白解释： 假设你把同一个开放式问题（比如“帮我想个有创意的独立咖啡馆名字”）抛给同一个 AI 模型 10 次。你原本期望它像人类头脑风暴一样，给你 10 个完全不同方向的灵感。但结果是，它每次给的思路、语气、甚至取名的套路都差不多。它陷入了某种固定的“舒适区”，失去了发散性思维。

• 现象二：模型间同质化 (Inter-model homogeneity) —— “大家互相抄”

  • 小白解释： 这是更令人担忧的一点。研究人员把同一个问题分别发给 OpenAI、阿里、DeepSeek 等不同公司开发的、理应互不干涉的模型。结果发现，它们生成的回答平均相似度竟然高达 71% 到 82%！甚至在某些复杂的商业文案中，不同的模型竟然逐字逐句生成了一模一样的句子（比如都不约而同地使用了“流畅设计，不妥协于功能”这种套话）。它们明明是不同架构养大的，却长了一模一样的“嘴”。

3. 为什么我们要警惕？（论文的深远影响）

你可能会问：只要 AI 回答得通顺好用就行了，千篇一律有什么大不了的？

论文指出，这是一个巨大的隐患：它会带来人类思想的同质化。 现在越来越多的人依赖 AI 来写文章、做企划、头脑风暴甚至寻求决策建议。如果所有的 AI 都在输出同一种语气、同一种比喻（比如一写时光流逝就是“时间是一条河流”）、同一种结构，那么长此以往，人类自己独特的创造力、多元化的视角和个性的表达，都会在潜移默化中被 AI 抹平。最终，我们所有人写出来的东西、想出来的创意，都会变得像这群 AI 一样“中规中矩且无聊”。

论文一开头给了一个特别直观的例子：

让不同模型回答：“Write a metaphor about time（写一个关于时间的隐喻）”

按理说，这种题应该很开放，答案空间极大。
你可以把时间写成：

• 风

• 沙漏

• 火焰

• 树轮

• 波浪

• 雨

• 织布机

• 雕刻师

• 钟摆

• 光

理论上空间非常大。
但论文发现，25 个模型各自生成 50 个回答后，答案在语义空间里主要只形成了两个大簇：

• 一个大簇围绕 “time is a river（时间像河流）”

• 另一个较小簇围绕 “time is a weaver（时间像织者/织布者）”

这就是一个非常震撼的现象。

因为这不是事实问答，不是数学题，不是标准答案题。
这是一个创意题。
可即便如此，模型们还是会大量收敛到同样的隐喻中心。

模型虽然输出不同句子，但底层的想法空间并没有我们想象得那么大。

第一部分的背景和核心概念我们就先聊到这里。这篇论文为了证明上述观点，还专门构建了一个名为 INFINITY-CHAT 的超级测试集，并揭示了为什么 AI 的“裁判机制”也在助长这种同质化。

先把几个术语讲明白，不然后面会绕晕

1. Mode collapse（模式坍缩）

这原本是生成模型领域常见的词。意思很简单：

本来应该能生成很多不同样式，结果只会反复落到少数几个模式里。

比如让模型写 100 个比喻，理论上应该五花八门；但它总写成“时间像河流”“人生像旅程”“记忆像碎片”这种固定套路。这就是模式坍缩。

2. Intra-model repetition（模型内重复）

同一个模型内部的重复。比如你问同一个模型 50 次“写一个关于时间的隐喻”，它虽然每次字不完全一样，但核心意思总围着几种套路打转。

3. Inter-model homogeneity（模型间同质化）

不同模型之间也很像。这就更严重了。
因为你本来会以为：

OpenAI 一个风格

Anthropic 一个风格

Qwen 一个风格

DeepSeek 一个风格

Llama 一个风格

但论文发现：
很多时候它们不是“各有各的脑子”，而是“换着牌子说相似的话”。

4. Calibration（校准）

这个词在后半篇论文里很重要。意思是：模型给出的评分或判断，和人类真实偏好到底对不对得上。

比如两篇文案，人类觉得都不错、差不多；但模型评分系统却极度偏爱其中一个，把另一个压得很低。这就叫校准不好。

第二部分：数据集与实验

你可以把作者的工作想成 4 个连续步骤：

第 1 步：找真实世界里的开放式问题
他们不是自己拍脑袋编题，而是从 WildChat 这类真实用户和聊天模型的交互里，筛选真正“开放式”的用户提问。

第 2 步：给这些开放式问题分类
作者整理出一个 taxonomy，也就是“问题类型地图”，想知道现实里大家到底在问哪些开放式问题。最后他们得到 6 个大类、17 个细类。

第 3 步：拿很多模型来答这些题
他们选了 70 多个模型做大规模分析，正文重点展示 25 个代表模型。然后对同一个问题反复采样很多次，看一个模型自己会不会重复，也看不同模型之间会不会撞到同样的想法。

第 4 步：收集人类评分，再和模型评分比较
作者额外做了 31,250 条人工标注，比较“人类怎么看答案”和“模型评委怎么看答案”是否一致，尤其关注那种多个答案都不错、但不同人喜欢不同风格的情况。

数据集：

这篇论文最重要的不是某个公式，而是这个新数据集：Infinity-Chat。论文把它定义为一个大规模、真实世界、开放式 user query 数据集，专门拿来研究“一个问题本来就可能有很多合理答案”的场景。

所以它为什么要新造一个数据集？

因为作者认为，以前很多测“模型多样性”的基准都太窄了，比如：

• 随机数生成

• 名字生成

• 很特定的诗歌或修辞任务

• 风格化得很强的小任务

这些任务不能代表现实中的聊天使用场景。现实中用户经常问的是：

• 帮我想创意

• 给我多个表达版本

• 帮我解释一个概念

• 帮我头脑风暴

• 给我建议

• 写一个有风格的内容

这些都不是只有一个标准答案的问题。作者觉得，如果不研究这些真实开放式提问，那你就没法真正回答“模型到底会不会让思维变窄”。

这篇论文还有一个很重要的贡献：它不仅搜集开放式问题，还整理了一个问题类型地图。论文说他们最终得到 6 个顶层类别、17 个细分类别，并用 GPT-4o 扩展标注到整个数据集。

这 6 大类可以粗略理解成：

1. Creative Content Generation

就是创意内容生成。比如：

• 写诗

• 写广告

• 写短文

• 写笑话

这是比例最大的类别，论文报告它占 58.0%。

2. Brainstorming & Ideation

就是头脑风暴、想点子、想方案。比如：

• 帮我想 thesis idea

• 给智能手表想一个功能

它占 15.2%。作者特别强调这一点，因为这说明很多用户真的在把模型当“灵感来源”。

3. Open-Endedness / 抽象思辨类

这里包含像：

• Philosophical Questions（哲学问题）

• Abstract Conceptual Questions（抽象概念问题）

• Ambiguous Everyday Questions（模糊日常问题）

• Analytical & Interpretive Questions（分析解释问题）

• Speculative & Hypothetical Scenarios（假设场景问题）

比如“生命是什么”“如果空气里氧气翻倍会怎样”“算法内容分发会如何影响公共讨论”等。

4. Alternative Perspectives

就是带立场、多观点的问题。比如：

• Value-Laden Questions

• Controversial Questions

也就是不一定有唯一立场，而是可能有多个可辩护视角。

5. Alternative Styles

比如：

• Alternative Communication Styles

• Alternative Writing Genres

也就是“同一个内容，用不同风格、不同体裁写出来”。例如写邮件、写 tweet、模仿某种文风。

6. Information-Seeking

这个很有意思。作者认为，很多“信息查询”其实也是开放式的，比如：

• Problem Solving

• Decision Support

• Skill Development

• Recommendations

• Concept Explanations

• Personal Advice

这些并不总有唯一最优答案。比如“学 Python 买什么二手电脑”“给我一个 3 天大阪行程”“如何学会某个技能”，这些都可能有很多合理版本。

实验：

对大模型的单独实验：

作者从 Infinity-Chat 里再挑出一个代表性子集，叫 Infinity-Chat100，也就是 100 个代表性的开放式问题，并用它作为主要评测集。然后他们让许多模型回答这些问题。

实验设置是什么？

对每个模型、对每个 query：

• 生成 50 个回答

• 用高随机性采样设置

• 再比较这些回答彼此有多像。

论文说，他们在整体分析中覆盖了 70+ 个开源和闭源模型，正文重点展示其中 25 个代表模型。

“有多像”怎么量化？

作者不是靠人工肉眼去看“像不像”，而是把每个回答转成句向量 embedding，然后计算这些向量之间的相似度。具体地说，论文写到他们使用了 OpenAI text-embedding-3-small 的 sentence embedding。

你可以把这一步想成：

每个回答都被压缩成一个“语义坐标点”。如果两个回答很接近，就表示它们语义上很像。如果很多回答都挤在一起，就说明模型虽然换了字，但“意思差不多”。

同时对每个模型、每个 query 的 50 个回答，两两比较语义相似度，然后求平均。最后看这些 query 大多落在哪些相似度区间。

论文报告说，在高随机性采样下，79% 的情况下，同一个模型对同一个开放式问题生成的回答平均相似度仍然超过 0.8。同时作者给了一个基线：如果是从全局随机抽两条无关回答，它们几乎都会落在很低的相似区间。

这说明什么？

这说明很多时候：

• 模型不是“真的想到了很多不同的答案”

• 而是“围绕一个核心思路，写出了很多改写版”

像你让同一个人写 50 个广告词，表面上每个都不同，但实际上都绕着两三个套路打转。这就是模型内重复。

作者没有停在“普通采样会重复”。他们进一步测试了一种主打提升多样性的解码方法：min-p decoding。

结果是：

• 它确实能减少最极端的重复

• 但总体上，回答之间仍然常常非常相似

• 也就是说，只靠解码策略，不足以根治模式坍缩。

这一步为什么重要？

因为一个自然反驳会是：

“那就把 temperature 开大一点、换个采样策略，不就行了吗？”

这篇论文的回答大致是：

只能缓解，不能彻底解决。
问题可能不只在采样，而在模型训练、对齐、数据分布、奖励机制这些更深的地方

论文发现，不只是“一个模型自己会重复”，而是不同模型之间也有明显语义重合。作者还给了非常具体的例子：在一个 iPhone 手机壳文案 query 上，不同模型出现了明显重叠的短语；在一个关于“成功、财富、自助”的社媒口号任务上，两个 Qwen API 模型甚至给出了一模一样的句子。

测试大模型能不能理解人类对回答的多元包容性：

Infinity-Chat 不只是一套 query。作者还额外收集了 31,250 条人工标注，并且每个例子有 25 位独立标注者。这点非常重要，因为它让作者不只是看到“平均分”，还能看到“人和人之间到底有多分歧”。

他们收两种标注：

1. Absolute rating（绝对评分）

给单个回答打分，类似 1–5 分。
也就是问：

• 这个回答整体质量怎么样？

2. Pairwise preference（成对偏好）

把两个回答放一起，让人判断：

• A 更好

• B 更好

• 或者两者差异不大／偏好很弱

论文里对 pairwise 设置是每个 prompt 采 10 对回答，每个三元组 (query, response1, response2) 收集 25 个标注。

上图看的是成对偏好里的熵

对于一组 (query, 回答A, 回答B)，25 个标注者到底一致不一致。论文说，开放式 query 下，很多 triplet 会出现比较高的 Shannon entropy，说明标注者经常分歧很大。

下图绝对评分里的熵。

也就是对同一个 (query, response)，25 个人打分是否一致。论文同样发现，不同人给分经常差异明显。

你怎么理解“高熵”？

• 低熵：大家意见很统一
  比如 25 个人都觉得“A 明显更好”

• 高熵：大家意见很分散
  比如有人喜欢 A，有人喜欢 B，还有人觉得差不多

在开放式任务里，高熵其实不是坏事，反而说明：

答案空间本来就有多元性，人类偏好本来就不是一个模板。

作者接着测：模型当“评委”时，和人类对得上吗？

论文比较了三类模型评分和人类评分的关系：

1. LM scores

也就是语言模型自己的打分信号，论文这里用的是 perplexity-based score。简单理解成：模型觉得一个回答“顺不顺、像不像它会写出来的东西”。

2. Reward model scores

奖励模型输出的分数。
这类模型一般是在对齐流程中学“哪个回答更优”的。

3. LM judge scores

把大模型本身当裁判，让它去打分或比较两个回答。

然后作者把这些模型分数和人类平均评分做相关性比较。

所以完整流程就是：

第一步：找题

从真实用户 query 里，筛出真正开放式的问题。

第二步：分题型

把开放式 query 归类，证明现实用户问的开放式问题很多样，不只是写诗。

第三步：测生成

让很多模型对这些题反复作答，看：

• 一个模型自己会不会重复

• 不同模型之间会不会撞车

第四步：测偏好

让很多人来打分，再看模型当“裁判”时，能不能理解“多个答案都不错、不同人会喜欢不同答案”这种现实。

结语

如果只用一句话概括这篇论文，我会说：

它讨论的不是大模型会不会替代人类，而是大模型会不会先把人类的表达与想象，悄悄训练成更相似的样子。

这也是我觉得《Artificial Hivemind》值得细读的原因。它把一个关于技术性能的问题，推进成了一个关于创造力、多样性和长期认知风险的问题。未来我们评价大模型，可能不能只问“它是否更强”，还得问一句：它是否也让世界变得更窄。