งานวิจัยพบว่าโมเดลภาษาขนาดใหญ่ (LLM) มักมีแนวโน้มที่จะสร้างคำตอบที่คล้ายคลึงกันมากแม้จะใช้ค่าอุณหภูมิการสุ่ม (Temperature) ที่สูงก็ตาม ซึ่งเรียกว่าปรากฏการณ์ 'Artificial Hivemind' งานวิจัยนี้จึงเสนอแนวทางแก้ไขสองขั้นตอน ขั้นแรกคือ Meta-Persona Anchoring ซึ่งให้โมเดลเลือกตัวตนที่เฉพาะตัวก่อนเริ่มตอบ และขั้นที่สองคือ Filtered Temperature Scaling (FTS)
กระบวนการ FTS จะใช้ Top-p filtering เพื่อรักษาความถูกต้องตามหลักไวยากรณ์ก่อน จากนั้นจึงใช้ค่าอุณหภูมิที่สูงมาก (T >= 4.0) กับตัวเลือกที่เหลือเพื่อกระจายความเป็นไปได้ในการเลือกคำตอบ ผลการทดสอบพบว่าสามารถลดความเหมือนกันของคำตอบจาก 0.85 ลงมาอยู่ที่ 0.65 ซึ่งเข้าใกล้ระดับความหลากหลายทางความคิดของมนุษย์มากขึ้น
