摘要

本文探讨了大型语言模型（LLMs）在迭代文化传播中的行为和信息扭曲问题。研究采用了一种类似于人类文化进化研究的传递链设计，通过LLM代理迭代接收、生成和传输文本，从而观察文本属性如毒性、积极性、难度和长度的变化。研究发现，即使在单个输出中微不足道的偏差，在迭代交互中也可能被放大，导致内容向吸引子状态演变。此外，研究还发现不同模型和任务对吸引子的位置和强度有显著影响，例如，更开放的任务会导致更强的吸引效应。这些发现强调了考虑多步骤传输动态的重要性，并为理解LLM文化动态提供了初步步骤。

原理

研究通过构建一个传递链实验设计，模拟LLM代理之间的迭代文本生成和传输过程。每个LLM代理接收前一个代理生成的文本和任务指令，然后生成新的文本传递给下一个代理。通过跟踪文本属性在传递链中的变化，研究揭示了文本属性如何随着迭代次数的增加而演变，以及这些变化如何受到初始文本、指令、语言模型和模型大小的影响。特别地，研究引入了统计方法来评估多轮交互对文本属性的额外影响，并估计潜在文化吸引子的存在、位置和强度。这些方法通过线性回归分析，预测了文本属性在传递链末端的值，并据此定义了吸引子的位置和强度。

流程

研究的工作流程包括以下几个关键步骤：

1. 选择初始文本：从不同数据库中选择科学摘要、新闻文章和社交媒体评论作为初始输入文本。
2. 定义任务：为LLM代理定义三种不同的任务——重述、获取灵感、继续故事。
3. 模型选择：使用五种不同的大型语言模型进行实验，包括GPT-3.5、Llama3-8B、Mistral-7B、Llama3-70B和Mixtral-8x7B。
4. 文本生成：每个LLM代理根据接收到的文本和任务指令生成新的文本，并传递给下一个代理。
5. 属性测量：在每个传递步骤中，记录文本的毒性、积极性、难度和长度等属性。
6. 数据分析：通过统计方法分析文本属性的变化，评估多轮交互的影响，并确定吸引子的位置和强度。

应用

这项研究不仅对理解LLM在文化传播中的作用具有重要意义，而且其引入的评估方法和实验设计也可应用于人类文化进化的研究。此外，研究结果对于开发更高效、更少偏见的LLM模型具有指导意义，有助于提升AI在内容生成、教育和媒体等领域的应用质量。