Avete mai chiesto a un chatbot di darvi un numero casuale tra 1 e 10? Il 7 è la risposta più frequente, quasi sempre. Provate con un altro: vi darà 3 o 4. Un altro ancora: 8 o 9. Questo piccolo esperimento, che sembra un trucco da prestigiatore, rivela un limite profondo dei modelli linguistici di grandi dimensioni. Sono bloccati in una routine di pensiero di gruppo, un gruppo di intelligenze artificiali che, su domande aperte, tendono a rispondere in modo sorprendentemente simile.
La startup australiana Springboards ha sviluppato una soluzione: un LLM chiamato Flint, addestrato per generare risposte più varie e creative rispetto ai modelli mainstream. L'obiettivo non è evitare le allucinazioni, ma accoglierle come fonte di novità, spiega il CEO Pip Bingemann. Flint è costruito su Qwen 3, un modello open source di Alibaba, e modifica selettivamente la casualità in punti specifici dell'output, evitando di diventare incoerente.
Sponsored Protocol
Il gioco del numero casuale svela la prevedibilità dei grandi modelli linguistici
Bingemann ha mostrato il test a più modeli: ChatGPT e Claude rispondevano 7, mentre Flint generava 3,7916. Non solo numeri. Chiedendo una marca di auto, i modelli tradizionali sceglievano Toyota o Honda; Flint proponeva Ford F-150. Persino per uno slogan di scarpe New Balance, ChatGPT e Claude convergevano su "Run your way", mentre Flint suggeriva "Built to last, run to win". Questa omogeneità è stata documentata a novembre 2025 in un paper premiato al NeurIPS, "Artificial Hivemind", che ha analizzato 25 LLM su 50 domande: la maggior parte delle risposte a "scrivi una metafora sul tempo" era una variante di "Il tempo è un fiume".
Flint modifica la casualità solo nei punti strategici per stimolare creatività
A differenza dei parametri generici come la temperatura, che se alzata rende il testo incoerente, Flint identifica i momenti in cui è possibile introdurre varietà senza compromettere la fluidità. Ad esempio, quando chiedete "Dove andare in Europa?", il modello aumenta la casualità solo prima di nominare una destinazione. Questa tecnica permette di ottenere risposte più creative mantenendo la coerenza.
Sponsored Protocol
Zoe Scaman, fondatrice di Bodacious, ha testato Flint su un case study MBA: come reinventare una società finanziaria per i giovani. I tre modelli mainstream suggerivano di insegnare educazione finanziaria in modo divertente, mentre Flint proponeva di rinominare il concetto stesso di accumulo di ricchezza. "È stato davvero interessante", commenta Scaman. Anche Maximilian Weigl di Uncommon utilizza Flint accanto ad altri LLM: "Non si può creare qualcosa di rivoluzionario con strumenti che ti riportano alla media".
Springboards integra Flint in una piattaforma che permette ai creativi di trascinare e combinare risposte da vari modelli. La startup non punta a sostituire gli LLM esistenti, ma a offrire un'alternativa quando serve divergenza. Il problema della prevedibilità riguarda anche la sicurezza: come evidenziato in un recente articolo su Claude Fable 5, anche i modelli più avanzati possono essere limitati da bias strutturali. Flint rappresenta un tentativo di allargare lo spazio delle risposte, senza cadere nell'incoerenza.
Sponsored Protocol
Secondo i cofondatori, Flint è ancora un prototipo, ma la premessa è potente. Mentre i ricercatori continuano a studiare le cause dell'omogeneità — probabilmente legate a dati di training simili e obiettivi di addestramento analoghi — Flint dimostra che è possibile deviare dal sentiero battuto. Il futuro della creatività artificiale potrebbe passare proprio da modelli che abbracciano l'inaspettato.
