LLM小说人名扎堆“Elara”“Elias”：投机命名法降重复95%

大语言模型写小说时，人名总是绕不开那几个——Elara、Elias 几乎成了 AI 小说的“品牌面孔”。这种名字集中现象是 AI 生成内容同质化的一个可量化侧面，但长期以来缺乏系统测量，也缺少不依赖模型内部权限的干预手段。一篇最新论文对八种提示级策略进行了实证研究，并提出“投机命名”（speculative naming）方法，在不微调模型、不访问 logit 的情况下将名字集中度大幅降低。

问题：名字集中是“AI slop”的可测量切面

现有修复方案要么需要访问 logit 或重新训练模型，要么仅作用于单次请求，无法在语料库层面控制名字集中度。提示级策略究竟能降低多少集中度、对名字自然度又有多大代价，此前没有被系统测量过。

研究团队用 20 个 LLM 从文本和视觉刺激生成四种语言的 44,782 篇故事，共涉及 88,919 个命名角色。他们采用无列表碰撞指标 Slop Ratio（SR）来度量集中度，并将其分解为已知成分和涌现成分。

Slop Ratio（SR） 是本文提出的无列表碰撞指标，用于量化名字集中度而不依赖预先给定的名字清单。其基本思路是统计生成文本中名字重复出现的碰撞频率，并将总集中度分解为两个成分：已知成分指模型高频偏好、在多个样本中反复出现的名字（如 Elara、Elias）所占比例；涌现成分指在特定语料中临时出现并扎堆的新名字所占比例。

这种分解的意义在于区分“模型固有的品牌名字偏好”与“语料内动态形成的聚集”。静态黑名单只能压制已知成分，却可能推高涌现成分，因此 SR 的分解能揭示策略是否真正降低了总体集中度，而非仅仅转移了集中位置。

八种策略实测：静态黑名单只是“转移”了集中

论文对比了八种命名策略。核心发现是：基于列表的策略并不能消除 slop。静态黑名单确实能阻止“Elara”们出现，但集中度会转移到涌现的新名字上，同时有依据的真实名字占比减少了一半以上——换句话说，模型只是换了一批名字扎堆，而不是变得更有多样性。

这一结论在多个语言、模型家族和名字计数约定下保持稳定，说明问题不是某个模型的怪癖，而是语料级别的系统性现象。

有依据的名字（grounded names） 在本文中指有现实来源或合理依据的命名，例如符合目标语言文化背景、出自真实人名分布或与文本/视觉刺激相关的名字。相对地，模型凭空生成、高度模板化的名字（如反复出现的 Elara）则被视为缺乏依据。

自然度指标以“有依据名字占比”来衡量：占比越高，说明生成的名字越接近真实命名习惯。静态黑名单虽然阻止了高频名字出现，但迫使模型转向其他模板化或随机拼凑的名字，导致有依据名字占比下降一半以上。这也解释了为何仅靠黑名单无法真正提升命名质量——它改变的是名字表面，而非模型命名偏好的来源。

投机命名：把投机解码的思路搬到名字上

研究者提出的投机命名是一种免微调方法，将投机解码（speculative decoding）的“草稿—验证—拒绝”范式从 token 迁移到名字。具体流程是：通过言语化采样（verbalized sampling）请求候选名字集，用 SlopTracker 对其打分——该追踪器结合了每个模型的指纹和运行时计数器——再通过温度控制的规则或其严格变体 HARD 进行选择。

效果显著：仅采样脚手架就平均降低 SR 89%，动态追踪器将总降幅推至 95%；平均碰撞概率从 7.3% 降至 0.4%；已知名字碰撞保持为零；自然度接近基线（按语言不同为 42%–69% 有依据）；故事内碰撞从 4.3% 降至 0.2%。

投机解码（speculative decoding） 是一种加速大模型推理的常用技术：先由一个轻量级“草稿模型”快速生成若干候选 token，再由目标大模型并行验证这些候选，接受其中符合其分布的 token、拒绝并回退到目标模型重新采样。其核心思想是用低成本草稿换取高成本验证，从而在不改变输出分布的前提下提升效率。

本文的“投机命名”借用了这一“草稿—验证—拒绝”结构，但把操作对象从 token 换成了名字：先让模型一次性产出多个候选名字（草稿），再用 SlopTracker 对每个候选打分并与阈值比较（验证），最后保留合格者、拒绝高集中度名字（拒绝）。区别在于，投机解码关注的是速度，而投机命名关注的是分布层面的多样性控制，且完全不触碰模型的 logit 输出。

言语化采样（verbalized sampling） 指不依赖模型输出的概率分布或 logit，而是通过自然语言提示让模型“自己说出”一组候选答案及其大致可能性。例如要求模型列出 10 个候选名字并标注偏好程度，而不是只返回一个最高概率结果。

这种方法的价值在于：它把采样过程外显为可解析的文本，使研究者在不具备模型内部访问权限（如 API 场景）时仍能获得候选集合，为后续的打分、筛选和拒绝提供操作空间。在投机命名中，言语化采样充当“草稿”环节，其候选集的质量和多样性直接影响最终名字集中度的下降幅度。

意义与边界：语料级可控，但创意多样性仍待解

这些结果表明，名字集中可以在语料库层面控制，无需 logit 访问或重新训练。策略排名在不同语言、模型家族和计数约定下保持稳定，方法具有较好的可迁移性。

但作者也明确指出，命名之外的更广泛创意多样性仍是开放问题。换句话说，降低名字重复只是让 AI 小说少了一个显眼的同质化标签，离真正多样化的故事生成还有距离。对于关注 AI 生成内容质量的开发者和研究者来说，这提供了一个可复用的控制框架，也划出了下一步需要攻克的范围。