Ancoraggio Meta-Persona e Scaling della Temperatura per Contrastare l'Effetto Hivemind nei LLM

Un nuovo articolo su arXiv (2608.02618) propone un framework per mitigare l'effetto 'Artificial Hivemind' nei Large Language Models (LLM), dove i modelli convergono su un consenso omogeneizzato anche per questioni aperte, portando a un'alta similarità inter-risposta (≈0.80–0.90) sotto campionamento ad alta temperatura. Il metodo, chiamato Ancoraggio Meta-Persona combinato con Filtered Temperature Scaling (FTS), utilizza un processo di generazione in due fasi: prima, il modello auto-seleziona una persona unica per ancorare il suo punto di partenza; poi, un setaccio di campionamento a doppio stadio applica il filtraggio Top-p per preservare la validità grammaticale, seguito da uno scaling estremo della temperatura (T ≥ 4.0) per esplorare una distribuzione di probabilità allargata. Il framework è valutato sul dataset INFINITY-CHAT. L'articolo affronta il collasso semantico che limita la diversità dell'IA, proponendo una soluzione pratica per aumentare la variabilità delle risposte. La ricerca è rilevante per lo sviluppo dell'IA, in particolare in compiti creativi e aperti dove la diversità è valorizzata.