Chatbotlar düşündüğünüzden çok daha öngörülebilir cevaplar veriyor. Claude, ChatGPT ve Gemini'den 1 ile 10 arasında rastgele bir sayı istediğinizde neredeyse her zaman 7 alırsınız. Bu durum araştırma veya kod yazma için sorun değil, ancak yaratıcı çalışmalar için ciddi bir sınırlılık.

Büyük Dil Modellerinin Grupsal Düşünce Problemi

Avustralya merkezli Springboards adlı bir startup, bu sorunun çözümü için Flint adında bir yapay zeka modeli geliştirdi. Flint, "Avrupa'da nereye gitmeli?" gibi açık uçlu sorulara diğer ana akım modellerden daha farklı cevaplar verme eğitimi almıştır.

Araştırmacılar tarafından yapılan bir çalışmaya göre, farklı dil modelleri birbirinden bağımsız şekilde eğitilmiş olsalar dahi benzer soruları aldıklarında oldukça benzer yanıtlar veriyorlar. 25 farklı modelden "zaman hakkında bir metafor yaz" isteği yapıldığında, 1.250 cevaptan çoğu "Zaman bir nehirdir" veya "Zaman bir dokuyucudur" ifadelerine benziyordu.

Flint'in Farklı Yaklaşımı ve Teknik Derinliği

Springboards, Alibaba'nın açık kaynaklı Qwen 3 modeli üzerine inşa edilen Flint'te sıcaklık ayarını (temperature) basit şekilde artırmak yerine, daha sofistike bir yöntem kullandı. Model, çıktısında daha fazla çeşitlilik mümkün olan noktaları tanımlamayı ve bu alanlara biraz daha rastgele kelime veya ifadeleri yerleştirmeyi öğrenmiştir.

Reklam ve pazarlama profesyonelleri için Springboards, çeşitli modellerle (ChatGPT ve Claude dahil) beyin fırtınası yapmaya olanak tanıyan bir araç geliştirmiştir. Girişim, Flint'i bu platform için alternatif model seçeneği olarak sunmaktadır.

Gerçek Dünya Testleri ve Sınırlamalar

Flint'i test eden bir iş stratejisi danışmanı, modelin geleneksel MBA örnek olaylarında beklenmeyen yönlere gittiğini belirtmiştir. Örneğin "Bugünün gençleri için bir finans şirketini nasıl yeniden kurarsınız?" sorusuna diğer modeller finansal okuryazarlığı "eğlenceli" hale getirme önerileri sunarken, Flint servet birikimi kavramının tamamen yeniden markalaştırılmasını önermiştir.

Ancak Flint henüz bir prototip olup, her zaman mükemmel çalışmamaktadır. Çok fazla zorlandığında kararsız hale gelebildiği gözlemlenmiştir. OpenAI ise daha güvenilir ve tutarlı yanıtlar vermeye çalışan modellerin doğal olarak yüksek olasılıklı cevaplara yakınsamasının normal olduğunu belirtmiştir.