대규모 언어 모델(LLM) 소설에서 등장하는 캐릭터 이름들은 'Elara'나 'Elias'와 같은 몇몇 반복적인 이름에 집중되는 경향을 보이며, 이는 AI 슬롭(AI slop)의 측정 가능한 형태입니다. 기존의 해결책들은 로짓 접근(logit access)이나 재학습(retraining)을 요구하거나, 요청별로만 작동하여 전체 코퍼스(corpus)에 걸친 이름 집중도를 제어할 수 없습니다. 프롬프트 수준 전략이 집중도를 얼마나 낮추는지, 그리고 그 과정에서 이름의 자연스러움에 어떤 비용이 발생하는지에 대해서는 체계적으로 측정된 바가 없습니다.
본 연구에서는 8가지 전략에 걸친 이름 집중도 제어에 대한 실증적 연구를 제시하고, 추측 디코딩(speculative decoding)의 드래프트-검증-거부(draft-verify-reject) 패러다임을 토큰에서 이름으로 확장한 미세 조정이 필요 없는 방법인 '추측 명명(speculative naming)'을 소개합니다. 이 방법은 구어화된 샘플링(verbalized sampling)을 통해 후보 이름 세트들을 요청하고, 모델별 지문과 런타임 카운터를 결합한 SlopTracker를 사용하여 점수를 매긴 후, 온도 제어가 적용된 규칙 또는 그 엄격한 변형인 HARD를 통해 선택합니다. 우리는 20개의 LLM을 사용하여 텍스트 및 시각적 자극으로부터 네 가지 언어로 총 44,782개의 이야기를 생성했으며 (총 88,919명의 이름 있는 캐릭터), 목록 기반이 아닌 충돌 측정 지표(Slop Ratio, SR)를 활용하여 집중도를 측정하고 이를 알려진 구성 요소와 출현하는 구성 요소로 분해했습니다.
목록 기반 전략들은 슬롭을 제거하지 못합니다. 정적 금지 목록(static banlists)은 집중도를 출현하는 이름으로 치환시키고 실제로 존재하는 이름의 비중을 절반 이상 감소시킵니다. 반면, 추측 명명은 이를 제거합니다. 샘플링 스캐폴드만으로도 SR을 평균 89%나 줄였으며, 동적 트래커(dynamic tracker)를 추가하자 총 감소율이 95%에 달했습니다. 평균 충돌 확률은 7.3%에서 0.4%로 떨어졌고, 알려진 이름의 충돌은 0을 유지하는 동시에 자연스러움은 기준선(언어에 의해 인증된 비율 42-69%)과 유사하게 유지되었으며, 이야기 내 충돌은 4.3%에서 0.2%로 감소했습니다.
이 전략 순위는 언어, 모델 계열, 이름 계산 관습 전반에 걸쳐 안정적입니다. 따라서 이름 집중도는 로짓 접근이나 재학습 없이 코퍼스 수준에서 제어 가능하며, 명명(naming)을 넘어서는 광범위한 창의적 다양성은 여전히 열려 있습니다.