Flint – Model AI mới giúp các LLM thoát khỏi "bẫy tư duy tập thể"

LLM bị kẹt trong một khuôn mẫu

Hỏi ChatGPT, Claude hay Gemini: "Cho tôi một số ngẫu nhiên từ 1 đến 10", bạn sẽ nhận được câu trả lời gần như nhất quán — số 7. Điều này không phải trùng hợp, mà là minh chứng cụ thể của một vấn đề rộng lớn: các siêu mô hình ngôn ngữ (LLM) đang bị kẹt trong "bẫy tư duy tập thể". Chúng có xu hướng lặp lại những câu trả lời giống nhau, thiếu tính sáng tạo và đa dạng. Để giải quyết vấn đề này, startup Úc Springboards vừa phát triển Flint, một model mới được huấn luyện để tạo ra những phản hồi đa dạng và sáng tạo hơn cho các câu hỏi mở.

Chứng minh hiệu quả thông qua những thí nghiệm cụ thể

Pip Bingemann, CEO và đồng sáng lập Springboards, gọi thí nghiệm số ngẫu nhiên là "mẹo bán hàng" của công ty — nó hoạt động lần nào cũng thành công. Khi hỏi ChatGPT và Claude "Tên một loại ô tô", Bingemann dự đoán câu trả lời sẽ là Toyota hoặc Honda, và đúng là vậy. Flint lại trả lời "Ford F-150", hoàn toàn khác biệt. Khi được yêu cầu tạo slogan cho chiến dịch quảng cáo giày chạy bộ New Balance, Claude và ChatGPT đều đưa ra "Run your way", còn Flint trả lời "Built to last, run to win" — ít quen thuộc hơn nhưng thể hiện độ sáng tạo.

Hiện tượng này đã nhận được sự chú ý từ cộng đồng nghiên cứu AI. Vào tháng 11, một nhóm nhà nghiên cứu công bố bài báo "Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond)", giành giải best paper tại NeurIPS, hội nghị AI hàng đầu thế giới. Họ kiểm tra 25 model LLM khác nhau (từ các công ty Mỹ hàng đầu đến các model open-source từ Trung Quốc), mỗi model được yêu cầu trả lời 50 lần. Tổng cộng 1.250 câu trả lời — và khi được yêu cầu viết phép ẩu dụ về thời gian, phần lớn chỉ là những phiên bản của "Thời gian là một con sông" hoặc "Thời gian là một thợ dệt". Kieran Browne, đồng sáng lập và CTO Springboards, chỉ ra rằng mặc dù giao diện chat được thiết kế để tạo cảm giác như cuộc trò chuyện cá nhân, hầu hết mọi người không nhận ra mức độ mà họ đang nhận được nội dung giống như mọi người khác.

Tại sao LLM lại rơi vào "bẫy tư duy tập thể"?

Nguyên nhân chính vẫn chưa được hiểu rõ, nhưng các nhà nghiên cứu suy đoán đó là vì hầu hết LLM hiện đại được huấn luyện theo cách tương tự, trên dữ liệu tương tự, để thực hiện những nhiệm vụ tương tự. Điều này dẫn đến sự hội tụ — các model khác nhau từ các nhà phát triển khác nhau đều đưa ra đáp án tương tự khi được đặt những câu hỏi mở. OpenAI giải thích rằng việc huấn luyện model để đưa ra câu trả lời đáng tin cậy và mạch lạc có thể khiến chúng tập trung vào những phản hồi quen thuộc có xác suất cao. Tuy nhiên, cố gắng buộc sáng tạo hơn lại dẫn đến những câu trả lời yếu hơn hoặc kém đáng tin cậy.

Flint được xây dựng trên cơ sở Qwen 3 của Alibaba. Browne giải thích: "Chúng tôi là một đội ngũ nhỏ, việc huấn luyện một model nền tảng quá tốn kém". Thay vào đó, Springboards tập trung điều chỉnh tham số, đặc biệt là "temperature" — cài đặt kiểm soát mức độ ngẫu nhiên trong output. Nhưng tăng temperature quá cao lại khiến model trở nên không mạch lạc. Springboards nhận ra các tham số này là những công cụ quá thô để đạt được mục tiêu của họ.

Ứng dụng thực tế và tương lai

Flint đang được sử dụng trong một công cụ brainstorming do Springboards xây dựng, dành cho các chuyên gia sáng tạo trong quảng cáo và marketing. Zoe Scaman, người sáng lập Bodacious và CSO của 77X (nền tảng marketing direct-to-fan của Luka Dončić), đã thử nghiệm công cụ này. Cô nhận xét: "Tôi thấy nó thực sự hữu ích khi muốn đổi hướng hoàn toàn". Khi so sánh Flint với Claude, Gemini và ChatGPT bằng tình huống MBA — "Làm cách nào tái phát minh công ty tài chính cho giới trẻ?" — ba model chính đều theo con đường tương tự, nhưng Flint đề xuất ý tưởng khác biệt: thay đổi toàn bộ khái niệm tích lũy của cải. Mặc dù Flint vẫn là prototype và không hoạt động hoàn toàn mỗi lần, công nghệ này mở ra hướng đi mới cho những ai cần máy tính hỗ trợ sáng tạo, không chỉ lặp lại những ý tưởng phổ biến nhất.