호주 스타트업 Springboards가 주류 LLM의 '집단사고' 문제를 겨냥해, 열린 질문에 더 다양한 답을 내놓도록 훈련한 모델 Flint를 만들었다. ChatGPT·Claude·Gemini는 "1~10 사이 무작위 수"에 거의 항상 7을, 자동차를 물으면 도요타·혼다를, New Balance 태그라인엔 "Run your way"를 반복하는데, 이는 유사한 데이터·방식으로 학습된 탓이다(NeurIPS 최우수 논문 'Artificial Hivemind'가 25개 모델 1,250개 응답의 동질성을 입증). Flint는 알리바바 오픈소스 Qwen3 위에 구축됐으며, 온도(temperature)를 전역으로 올리면 응답이 깨지는 문제를 피해 출력 중 다양성이 가능한 특정 지점만 식별해 무작위성을 주입한다. 광고·마케팅 브레인스토밍용으로, 창의적 발상을 넓히는 대안 도구로 제시된다.
- •주류 LLM은 열린 질문에 거의 동일한 답(무작위수 7, 도요타·혼다, 'Run your way')을 반복하는 집단사고 문제
- •NeurIPS 최우수 논문 'Artificial Hivemind'가 25개 LLM·1,250개 응답의 높은 동질성을 입증
- •Flint는 Qwen3 기반으로, 온도 조절 대신 출력 중 다양성이 가능한 지점만 식버해 무작위성 주입
- •광고·마케팅 브레인스토밍용 대안 모델로, 후보군을 넓히는 도구로 포지셔닝
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
LLMs are stuck in a groupthink groove. This startup is trying to get them out.
- 1.호주 스타트업 Springboards가 응답 다양성을 높인 LLM 'Flint' 공개
- 2.주요 LLM은 1~10 랜덤 숫자에 거의 항상 7을 답하는 등 동질적 응답에 수렴
- 3.NeurIPS 최우수논문 'Artificial Hivemind'가 25개 모델 간 응답 동질성 실증
- 4.Qwen 3 기반으로 출력 중 다양성이 가능한 지점만 선별해 무작위성을 높이도록 학습
왜 중요한가?
temperature 같은 전역 파라미터로는 일관성 붕괴 없이 창의성을 높일 수 없다는 한계를, 출력 내 특정 지점만 선택적으로 무작위화하는 접근으로 우회한 사례다. 광고·마케팅 브레인스토밍처럼 응답 다양성이 곧 가치인 시장에서 '동질화된 LLM'의 틈새 기회를 보여준다.
본문 미리보기
Let’s start with a game. Open up your chatbot of choice—Claude, ChatGPT, Gemini—and type “Give me a random number between 1 and 10.” You’re going to get 7. Almost always. Now type “Another” and you’ll get 3 or 4. Type “Another” again and you’ll get 8 or 9. That won’t work every time—but if it…
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 01:54AI 초안
