論文の概要: Are LLMs becoming similarly creative? Evidence from three years of models

• arxiv url: http://arxiv.org/abs/2608.19437v1
• Date: Wed, 19 Aug 2026 20:44:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.396379
• Title: Are LLMs becoming similarly creative? Evidence from three years of models
• Title（参考訳）: LLMも同様に創造的になるか? 3年間のモデルから
• Abstract要約: 本稿では,3年間のモデルリリースにまたがるLarge Language Model (LLM) の創造的アウトプットの予備的分析を行う。 その結果,時間とともにモデル出力の多様性が統計的に顕著に低下していることが判明した。 もしこの傾向が続くなら、LLM駆動のホモジェナイゼーションは、人間とAIの共同創造作業において、徐々にヒトのエージェンシーを減少させる可能性がある。
• 参考スコア（独自算出の注目度）: 5.181474787245295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many benchmarks track Large Language Model (LLM) performance on tasks with verifiable answers, but less is known about how LLM performance is evolving on open-ended tasks, where creativity, originality and diversity may matter as much as quality. As LLMs increasingly support human ideation and creative work, understanding trends in LLM performance on open-ended tasks is critical. This paper presents a preliminary analysis of LLM creative outputs spanning three years of model releases, examining model responses to Infinity-Chat100, a real-world collection of open-ended user queries, and the Alternate Uses Task, an established psychometric creativity assessment. Using sentence-embedding similarity, we examine trends in LLM responses to these prompts. Our findings show a statistically significant decrease in model output diversity over time, suggesting that LLM outputs may be converging in creative substance across models. If this trend persists, LLM-driven homogenization may progressively diminish human agency in human-AI co-creative work, demanding careful consideration of LLMs' role in the human creative process.
• Abstract（参考訳）: 多くのベンチマークは、検証可能な回答を持つタスク上でのLLM(Large Language Model)のパフォーマンスを追跡するが、創造性、独創性、多様性が品質と同じくらい重要であるような、オープンなタスクにおいてLLMのパフォーマンスがどのように進化しているかは、あまり知られていない。 LLMは、人間のアイデアと創造的な作業を支援するようになっているため、オープンなタスクにおけるLLMのパフォーマンスのトレンドを理解することが重要である。 本稿では、3年間のモデルリリースにまたがるLCMクリエイティブなアウトプットの予備的分析を行い、オープンエンドユーザクエリの現実的なコレクションであるInfinity-Chat100と、確立された精神メトリックなクリエイティビティ評価であるAlternate Uses Taskについて検討する。 文埋め込み類似性を用いて,これらのプロンプトに対するLLM応答の傾向を検討した。 以上の結果から, LLMの出力は, モデル全体にわたる創造性物質に収束している可能性が示唆された。 もしこの傾向が続くなら、LLMによるホモジェナイゼーションは、人間とAIの共創造的な仕事において、人間の主体を徐々に減少させ、人間の創造プロセスにおけるLLMの役割を慎重に考慮する必要がある。

関連論文リスト

• Evaluation of LLMs for Process Model Analysis and Optimization [0.0]
  ゼロショット設定でChatGPT(モデルo3)のような訓練を受けていないバニラが、画像からBPMNプロセスモデルを理解するのに有効であることを示す。 また、LLMの「思考プロセス」とプロセス分析と最適化の文脈でより深い推論を行う能力についても検討する。
  論文  参考訳（メタデータ） (2025-10-08T19:39:19Z)
• Creation-MMBench: Assessing Context-Aware Creative Intelligence in MLLM [58.42678619252968]
  Creation-MMBenchはマルチモーダル大言語モデルの創造性を評価するために設計されたベンチマークである。 ベンチマークは、51のきめ細かいタスクにまたがる765のテストケースで構成されている。 実験結果から,オープンソースのMLLMは,クリエイティブタスクにおけるプロプライエタリなモデルに比べて著しく性能が劣っていることが明らかとなった。
  論文  参考訳（メタデータ） (2025-03-18T17:51:34Z)
• Satori: Reinforcement Learning with Chain-of-Action-Thought Enhances LLM Reasoning via Autoregressive Search [57.28671084993782]
  大規模言語モデル(LLM)は、様々な領域にまたがる顕著な推論能力を示している。 近年の研究では、テスト時間計算の増加はLLMの推論能力を高めることが示されている。 そこで我々は,1)COAT推論形式を内部化するための小規模な形式調整段階,2)強化学習を活用した大規模自己改善段階を提案する。
  論文  参考訳（メタデータ） (2025-02-04T17:26:58Z)
• We're Different, We're the Same: Creative Homogeneity Across LLMs [6.532204241949196]
  大規模言語モデル(LLM)が、書き込みサポートツールやアイデアジェネレータなどとして利用可能になった。 LLMを創造的なパートナーとして使用すると、より狭い創造的なアウトプットが得られることが、いくつかの研究で示されている。
  論文  参考訳（メタデータ） (2025-01-31T18:12:41Z)
• A Causality-aware Paradigm for Evaluating Creativity of Multimodal Large Language Models [100.16387798660833]
  オオギリゲーム(オオギリゲーム)は、ユーモアと連想的思考を必要とする創造的な仕事である。 LoTbenchはインタラクティブで因果性を考慮した評価フレームワークである。 その結果、ほとんどのLLMは制約された創造性を示すが、LLMと人間の間の性能格差は克服できないことがわかった。
  論文  参考訳（メタデータ） (2025-01-25T09:11:15Z)
• Q*: Improving Multi-step Reasoning for LLMs with Deliberative Planning [53.6472920229013]
  大規模言語モデル(LLM)は多くの自然言語タスクにおいて印象的な能力を示している。 LLMは多段階推論を行う際にエラー、幻覚、矛盾する文を生成する傾向がある。 本稿では,LLMの復号化過程を検討計画で導くためのフレームワークであるQ*を紹介する。
  論文  参考訳（メタデータ） (2024-06-20T13:08:09Z)
• LLM Discussion: Enhancing the Creativity of Large Language Models via Discussion Framework and Role-Play [43.55248812883912]
  大規模言語モデル(LLM)は自然言語処理において例外的な習熟度を示してきたが、しばしばオープンエンドの質問に対する創造的で独創的な応答を生成できない。 LLM議論は,アイデア交換の活発化と多様化を促進する3段階の議論フレームワークである。 提案手法の有効性を, 代替利用テスト, 類似性テスト, インスタンステスト, 科学的創造性テストを用いて評価した。
  論文  参考訳（メタデータ） (2024-05-10T10:19:14Z)
• Toward Self-Improvement of LLMs via Imagination, Searching, and Criticizing [56.75702900542643]
  大規模言語モデルの自己改善のためのAlphaLLMを紹介する。 モンテカルロ木探索(MCTS)とLLMを統合し、自己改善ループを確立する。 実験の結果,AlphaLLM は付加アノテーションを使わずに LLM の性能を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2024-04-18T15:21:34Z)
• Rethinking Interpretability in the Era of Large Language Models [76.1947554386879]
  大規模言語モデル(LLM)は、幅広いタスクにまたがる顕著な機能を示している。 自然言語で説明できる能力により、LLMは人間に与えられるパターンのスケールと複雑さを拡大することができる。 これらの新しい機能は、幻覚的な説明や膨大な計算コストなど、新しい課題を提起する。
  論文  参考訳（メタデータ） (2024-01-30T17:38:54Z)
• Assessing and Understanding Creativity in Large Language Models [33.37237667182931]
  本稿では,大規模言語モデル(LLM)における創造性レベルを評価するための効率的な枠組みを確立することを目的とする。 The Torrance Tests of Creative Thinking を用いて、7つのタスクにまたがる様々なLSMの創造的パフォーマンスを評価する。 LLMの創造性は、主に独創性に欠けるが、エラボレーションには優れていた。
  論文  参考訳（メタデータ） (2024-01-23T05:19:47Z)
• Prompting Large Language Models for Counterfactual Generation: An Empirical Study [13.506528217009507]
  大規模言語モデル(LLM)は、幅広い自然言語理解と生成タスクにおいて顕著な進歩を遂げている。 本稿では,様々な種類のNLUタスクに対する総合的な評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-24T06:44:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。