透過調整機率分布與分詞策略打破命名慣性
大型語言模型在生成虛構角色或地點名稱時，往往傾向於重複使用特定的幾個名字，例如 Elara 或 Elias。過去常見的做法是透過提示詞要求模型避免這些名字，或是直接封鎖特定詞元（token banning），但這些方法並未觸及模型底層過度偏好少數名字的機率分布問題。
開發者 zoracapri 推出的 Monadize 模型採取了不同的技術路徑。該模型在引入新名稱時採用單字元分詞（single-character tokenization），並透過微調過程移轉下一個詞元的機率分布。這種做法旨在從根本上分散模型對特定起始字母或音節的過度集中，而非僅在輸出層進行過濾。
測試數據顯示名稱多樣性顯著提升
為了驗證效果，開發者比較了基礎 Gemma 模型與 Monadize 在相同提示詞「Create a character. Respond only with the name.」下的下一個詞元分布圖表。結果顯示，相較於基礎模型，Monadize 的首字母分布範圍顯著擴大，這直接轉化為生成名稱的多樣性提升。
在溫度參數設為 1 的條件下，開發者分別生成了 30 個角色名稱與 30 個城市名稱。基礎 Gemma 模型產生了大量重複結果，例如「Elias Thorne」出現了 10 次，「Silas Thorne」出現 9 次，城市名稱中「Aethelgard」也重複了 15 次。
相對地，Monadize 在同樣的測試條件下產出了 60 個完全獨立的名稱，涵蓋角色與城市兩類。生成的名字包括 Akira Thompson、Delany Sullivan、Yarnstad、Julerapoint 等，且每個名稱僅出現一次。這表明模型成功避免了陷入少數幾個高機率名稱的循環。
微調對敘事風格產生的非預期影響
雖然 Monadize 的微調目標僅專注於命名多樣性，但開發者觀察到模型在故事生成風格上也出現了明顯差異。在溫度設為 1、隨機種子（seed）固定為 1553407422 且提示詞為「Write a short story.」的條件下，兩個模型的輸出內容呈現截然不同的氛圍與結構。
基礎 Gemma 模型生成的故事以「Elias Thorne」為主角，描寫了一家販售時間幻覺的鐘錶店，風格偏向傳統奇幻與機械意象，並出現了典型的重複名字模式。相比之下，Monadize 生成的故事主角名為 Alani，背景設定在一個風會說話的小鎮 Juniper Delve，敘事風格轉向更具抽象感與感官描寫的奇幻設定，且未出現基礎模型常見的名字重複現象。
開發者展示了兩個模型在相同提示詞下的不同輸出風格。
模型發布資訊與使用限制
Monadize 目前作為實驗性模型發布於 Hugging Face 平台（zoracapri/gemma-4-31B-Monadize-v0.1）。開發者明確指出，該模型是在關閉思考模式（thinking disabled）的狀態下進行微調的，因此建議使用者在推理階段也保持思考模式關閉，以確保行為一致性。
由於這是實驗性版本，模型可能會出現未預期的行為。
