一句话总结
提出动态上下文演化（DCE）框架，通过口头化尾部采样（VTS）、语义记忆和自适应提示演化三种机制解决 LLM 在批量生成中的跨批次模式坍缩问题，在三个领域上实现 0% 的坍缩率（朴素基线 5.6%），每次生成仅需约 $0.50/千条。
背景与前置知识
▼跨批次模式坍缩
本文定义的新现象。当 LLM 被反复独立提示（每次清空上下文）时，生成内容的多样性逐渐丧失——相同或高度相似的概念反复出现。前 30 批主题多样，到第 50 批开始重复，到第 200 批时 34% 与前 50 批近乎重复。
口头化概率估计
让 LLM 自我评估其输出内容的"可预测性"。不要求严格校准的概率，只要提供概念间的相对排序即可。
语义去重与 HDBSCAN
将文本嵌入向量空间后计算余弦相似度来判断语义重复。HDBSCAN 是一种不预设聚类数量的密度聚类算法。
温度缩放与核采样
标准 token 级别多样性控制方法。本文测试的 gpt-5-mini API 不暴露这些参数，使得 token 级别干预不可用。
核心思想详解
▼DCE 用三种互补策略解决"创意枯竭"问题：
- VTS（口头化尾部采样）：每次想出创意，让模型自评"别人是否也能轻易想到"？太容易想到的就丢弃。
- 语义记忆：维护"创意数据库"，防止不同批次的语义重复。
- 自适应提示演化：每次生成前回顾记忆库，引导模型聚焦尚未探索的概念领域。
三者的组合效果是 1+1+1 > 3：VTS 过滤显而易见的，去重防止重复，提示演化主动引导新方向。单独任何一个不够，三者合力消除模式坍缩。