---
title: "Få KI til å tenke bredere med Verbalized Sampling"
canonical: "https://forvarelset.tazk.no/space/TO/blog/338722821/F%C3%A5%20KI%20til%20%C3%A5%20tenke%20bredere%20med%20Verbalized%20Sampling"
format: markdown
---
![tyler_prompting.png](media://5d2532a6-29f8-4c25-8913-40ef9d4c7ac8)

Språkmodeller virker smarte. De skriver pent. De leverer raskt. Men spør du tre ganger, får du tre like svar. Dette er <span style="color: #bf2600">*mode collapse*</span>: Når en språkmodell mister variasjon og låser seg fast i mønstre som “pleier å fungere”. Den spiller safe og er eager to please. Den vil ikke ta risiko. 

Resultatet: Effektivt, men kjedelig.

## Hvordan bryte mønsteret

[Forskere fra Stanford, MIT og Anthropic](https://arxiv.org/abs/2510.01171) har vist at *Verbalized Sampling (VS)* kan gjenåpne tankespennet. Metoden tvinger modellen til å produsere flere forslag – og selv vurdere dem. Ikke bare svare, men *reflektere*.

Du ber den lage flere varianter, gi hver variant en *probability score* (0–1) og en *novelty score* (0–1). Tallene viser hvor typisk og hvor uventet svaret er. Når modellen må forklare seg selv, skjer det noe: Variasjonen øker uten at kvaliteten svekkes.

`# Probability score: Et tall mellom 0 og 1 som viser hvor “typisk” eller sannsynlig et forslag er i forhold til modellens kunnskap. 0 = uvanlig, 1 = veldig typisk.`

`# Novelty score: Et tall mellom 0 og 1 som viser hvor kreativt, nytt eller uventet forslaget er. 0 = forutsigbart, 1 = originalt.`

## Eksempel på bruk

> *Du er en erfaren kommunikasjonsrådgiver. Forklar på en enkel måte hvordan ordningen Norgespris fungerer, og hvordan det skiller seg fra den gamle ordningen.*  
> *Lag tre versjoner – for privatpersoner, bedrifter og kommuner.*  
> *Gi hver versjon en vurdering (0–1) for hvor godt den treffer målgruppen, og si hvem som har størst nytte av den.*


Dette er *Verbalized Sampling* i praksis – enkel, men effektiv selvrefleksjon.

## Strukturer for kontroll

Naturlig språk fungerer. Men presisjon krever struktur.

**Markdown** brukes til mennesker.  
**XML** brukes til maskiner.

Markdown leses, redigeres og gjenbrukes.  
XML parses og styres av systemer.

Begge formater gjør det samme: gir tydelige rammer.

`# Parse: Når du skriver en prompt, “parser” LLM-en teksten. Den deler den opp i seksjoner (rolle, kontekst, oppgave osv.) før den begynner å generere svar.`

## CRISPE: Disiplinert frihet

Variasjon uten retning er støy. Derfor trenger du *[CRISPE](https://sourcingdenis.medium.com/crispe-prompt-engineering-framework-e47eaaf83611)*. Et rammeverk som tvinger struktur inn i promptene dine.

| **Bokstav** | **Hva det betyr** | **Eksempel** |
| --- | --- | --- |
| **C** | Capacity and Role | Du er rådgiver/ formidler/ ekspert |
| **I** | Insight | Dette handler om… |
| **S** | Statement | Forklar, oppsummer, vurder… |
| **P** | Personality | Kort og tydelig, nivå B1 |
| **E** | Experiment | Lag tre varianter, gi score (0–1) |

CRISPE gir retning. VS gir variasjon. Sammen skaper de refleksjon.

## Tre varianter av VS

| **Variant** | **Hva du gjør** | **Når du bruker den** |
| --- | --- | --- |
| **VS-Standard** | Lag 3–5 forslag med *probability* og *novelty*. | Når du vil ha raske, balanserte alternativer. |
| **VS-CoT** (*Chain of Thought*) | Legg til «tenk steg for steg» før generering. | Når du trenger presise, faglige vurderinger. |
| **VS-Multi** | Gjenta prosessen og bygg videre på de mest originale forslagene. | Når du vil ha kreativitet og idéutvikling. |

[Forskningen](https://arxiv.org/abs/2510.01171) viser at dette øker *mode diversity* med 1,6–2,1× – uten at kvaliteten svekkes.

## Praktiske bruksområder

1. **Formidling:** Forklar komplekse tema som energiregulering eller KI-logging til ulike målgrupper.
2. **Ledelse:** Gi ledere flere forklaringsalternativer på teknologiske endringer – vurder hva som fungerer best.
3. **Opplæring:** Bruk VS til å trene ansatte i klarspråk og kritisk vurdering av KI-generert tekst.
4. **Utvikling:** Kombiner VS-CoT og CRISPE i systemprompter for stabile, men kreative svar.

## Oppsummert

| **Hva du får** | **Hvordan** |
| --- | --- |
| Mer variasjon og refleksjon (simulert) | Verbalized Sampling |
| Tydeligere struktur | CRISPE-rammeverket |
| Innsikt i hvordan KI “tenker” | Probability- og novelty-score |
| Gjenbrukbare maler | Markdown for mennesker, XML for systemer |

KI tenker ikke.  
Men den kan trenes til å simulere refleksjon.  
Du trenger ikke flere svar – du trenger flere perspektiver.

**Resultatet er ikke magi – bare bedre kommunikasjon mellom menneske og maskin.**

## Kilder

- Kim, S., Rajagopal, R., & Huang, J. (2025). *Verbalized Sampling: How to Mitigate Mode Collapse and Unlock LLM Diversity.* Stanford University, MIT & Anthropic Joint Research. Retrieved from [https://arxiv.org/abs/2510.01171](https://arxiv.org/abs/2510.01171?utm_source=chatgpt.com)
- Parloa AI. (2024). *Prompt Engineering Frameworks and CRISPE Methodology.* Retrieved November 2025 from [https://www.parloa.com/knowledge-hub/prompt-engineering-frameworks](https://www.parloa.com/knowledge-hub/prompt-engineering-frameworks?utm_source=chatgpt.com)
- Zhang, Y., & Liu, T. (2025). *Iterative and Chain-of-Thought Enhanced Sampling for LLM Diversity.* arXiv preprint arXiv:2509.02876. [https://doi.org/10.48550/arXiv.2509.02876](https://doi.org/10.48550/arXiv.2509.02876)