Andersons vinkel
Hvorfor elsker AI at skrive om fyrpassere?

NøglepunkterSprogmodeller konvergerer om fyrpasseren Elias, fordi ophavsretsfiltre kan have…
Vis mere
- Sprogmodeller konvergerer om fyrpasseren Elias, fordi ophavsretsfiltre kan have beskåret rigere fiktionsmateriale.
- De tilbagevendende ord optræder næsten ikke i udgivet fiktion eller træningskorpora, så dataudbredelse kan ikke forklare besættelsen.
- En bittelille brøkdel af historier fra eftertræningen kan ikke statistisk dominere modellens output på den måde, fyrttroper gør.
Når de bliver bedt om at skrive en historie, ser ChatGPT og andre førende sprogmodeller ud til at undgå ophavsretskrænkelser ved tvangsmæssigt at vende tilbage til det samme lille, særprægede persongalleri af fyrpassere, fiskere og urmagere.
Et nyt studie fra Cornell University viser, at førende sprogmodeller tilsyneladende har en mærkelig besættelse af et meget snævert udvalg af fortælleelementer, når de blot bliver bedt om at skrive en historie. Forskerne bad fire LLM’er om at skrive 20.000 historier og fandt, at 88% indeholdt mindst ét af elleve meget specifikke tokens fra kategorierne ‘sted’, ‘navn’ eller ‘erhverv’:

Forekomsten af uventede nøgleord pr. million ord i forskernes analyse af 20.000 LLM-genererede historier. Kilde
De elleve hyppigst gentagne ord blandt de over tolv millioner ord, som LLM’erne genererede til studiet, var navnene elias, mara, elara; professionerne keeper (vogter), baker (bager), mayor (borgmester), clockmaker (urmager), fisherman (fisker), librarian (bibliotekar) og conductor; og lokationen lighthouse (fyrtårn):
De testede modeller var Claude Haiku 4.5, Gemini 3.1 Flash-Lite, GPT-5.4-Mini og OLMo 7b Thinking. Hver model fik én af fem anmodninger: ‘Write a story’ (Skriv en historie); ‘Please write a story’ (Skriv venligst en historie); ‘Write me a story’ (Skriv en historie til mig); ‘Tell me a story’ (Fortæl mig en historie); eller ‘Please tell a story’ (Fortæl venligst en historie).
For at se, om det fænomen, studiet beskriver, også fandtes i modellerne på skrivetidspunktet, gentog jeg selv forsøget, først med min sædvanlige ChatGPT-konto på et abonnement i mellemklassen (samtalen her). Det krævede ingen udvælgelse af passende resultater: ChatGPT-5.5 valgte allerede i første forsøg præcis det materiale, forskerne havde forudsagt:

ChatGPT-5.5 bekræfter straks undersøgelsens første resultater. Kilde
Jeg overvejede, om den tidligere brugskontekst eller mulig informationsoverførsel på tværs af domæner kunne forklare dette øjeblikkelige træf. Derfor loggede jeg ind på en gratis ChatGPT-konto, som jeg ikke havde brugt i mindst et år, i et privat Firefox-vindue og prøvede igen (samtalen her). Endnu en gang ramte ChatGPT plet, forudsat at OpenAI ikke bruger en fælles IP-adresse til at overføre information mellem forskellige konti:

ChatGPT-konto nummer to følger de samme besættelser og den samme snævre samling af navne og temaer som i den nye undersøgelse. ‘Mira’ er blandt forfatternes 20 hyppigste navne. Kilde
Disse GPT-versioner lå et trin over den version 5.4, som studiet testede.
Selv om studiet testede Claude Haiku, prøvede jeg Anthropics standardmodel Sonnet 4.6 og blev ikke skuffet. De velkendte nøgleord dukkede igen op i første forsøg (samtalen her):

Denne gang spiller ‘Mara’, endnu en genganger blandt de elleve hyppigste ord, hovedrollen allerede ved første forsøg med Claude Sonnet 4.6. Kilde
Den samme prompt i Claude Haiku 4.5 gav stort set samme resultat.
Først kunne jeg ikke genskabe forfatternes resultater med Google Gemini. Men da jeg specifikt valgte modellen fra studiet, Gemini 3.1 Flash-Lite, dukkede mønstret straks op: ved tredje forsøg i alt, men det første med denne model (link her):

Google Gemini 3.1 Flash-Lite. Kilde
Yderligere forsøg med andre Gemini-modeller frembragte hver gang fyrtårnstemaet, dog med varianter uden for top 11, blandt andet navnet ‘Thomas’ og i et andet tilfælde mit eget navn som hovedperson.
På skrivetidspunktet var studiets resultater i hvert fald særdeles lette at efterprøve.
Fyrtårne uden for chatten
Store hjerner tænker ens: en uge før offentliggørelsen af det nye studie gjorde softwareforfatteren Daniel May opmærksom på sammenfaldet mellem motiverne Elias og fyrpasser som forskerne også havde udpeget*, tilsyneladende efter at have bemærket det ved et tilfælde. Derefter testede han otte varianter af Gemini, DeepSeek, Qwen og Gemma, som viste sig at frembringe lighthouse (fyrtårn)-motiver og ‘Elias Thorne’ som hovedperson*. Denne første opdagelse omfattede dog ikke det bredere udvalg af vedvarende indholdstemaer, som det nye studie beskriver.
For at se om disse tilbagevendende temaer, navne og steder nogensinde var sluppet ud af chatten, søgte jeg på Google efter nogle af de 11 hyppigste nøgleord og fandt et bemærkelsesværdigt antal opslag, som tilsyneladende havde videreført dem:

Tre eksempler på memet i offentliggjort indhold. Kildelinkene står nedenfor.
May havde identificeret det længere navn Elias Thorne, ikke blot ‘Elias’, som et vedvarende LLM-meme og offentliggjort flere skærmbilleder fra Amazon, hvor navnet tilsyneladende var blevet brugt som forfatternavn på forskellige bøger, herunder medicinske bøger.
Jeg søgte i stedet efter og fandt indhold, der så ud til at have hentet de vedvarende temaer fra en LLM, herunder et opslag på X med en historie (arkivversion her), et fiktionsværk (arkivversion her) og en historie med oplæsning på YouTube (arkiveret her). Der var langt mere at gennemgå, men tiden rakte ikke.
En forkærlighed for fortiden
Så vidt de løse observationer og tilfældige fund. Der er endnu ikke fundet et enkelt ‘magisk dokument’ i træningsdataene, som indeholder alle eller de fleste af disse tilbagevendende elementer. Forfatterne til det nye studie (med titlen Elias in the Lighthouse, Again? Diagnosing Low Diversity in LLM Stories, udarbejdet af to forskere fra Cornell University) fremsætter dog den teori, at ophavsretsfiltre i AI-udviklingen kan begrænse LLM’ernes fortællinger til materiale, hvis ophavsret er udløbet.
Forfatterne skriver:
‘Vi finder, at dominansen af historier om “Elias i fyrtårnet” ikke kan forklares med deres hyppighed i data til fortræning eller eftertræning. Vi formoder, at modeller under alignment lærer at undgå henvisninger til ophavsretsbeskyttede figurer og indhold for voksne, men overlader dette spørgsmål til fremtidigt arbejde.’
| Kategori | Token | Vores studie | Litteratur | Fortræning: sagprosa | Fortræning: fiktion | Eftertræning: sagprosa | Eftertræning: fiktion |
|---|---|---|---|---|---|---|---|
| Navn | elias | 2,428 | 2.7 | 2.2 | 4.0 | 0.4 | 52.7 |
| Navn | mara | 5,200 | 3.9 | 2.5 | 8.7 | 0.4 | 21.7 |
| Navn | elara | 1,221 | 0.0 | 0.4 | 1.2 | 0.9 | 108 |
| Profession | keeper | 1,495 | 7.2 | 6.3 | 14.7 | 3.5 | 10.0 |
| Profession | baker | 161 | 20 | 11.8 | 10.56 | 1.7 | 11.9 |
| Profession | mayor | 198 | 28 | 11.5 | 16.1 | 1.4 | 27.4 |
| Profession | clockmaker | 108 | 0.1 | 0.18 | 0.0 | 0.3 | 1.4 |
| Profession | fisherman | 62 | 4.2 | 3.0 | 7.6 | 0.0 | 9.3 |
| Profession | librarian | 68 | 5.3 | 7.6 | 5.9 | 2.3 | 11.5 |
| Profession | conductor | 96 | 5.0 | 5.9 | 5.7 | 4.7 | 7.5 |
| Lokation | lighthouse | 3,005 | 5.5 | 3.5 | 4.6 | 4.6 | 10.1 |
Tabellen sammenligner hyppigheden af tilbagevendende ord fra AI-genererede historier i udgivet litteratur, webfiktion og eftertræningsdata. Ord som ‘Elias’ og ‘lighthouse’ optræder langt hyppigere i chatbotternes fortællinger.
Forfatterne fandt, at de elleve fremhævede ord optræder i 88% af de 20.000 genererede historier, med kun små forskelle mellem modellerne. De understreger, at ordene er sjældne i udgivet engelsksproget litteratur, og at eftertræningsdata, der bruges til at forme og tilpasse modeller til ‘acceptabel’ brug, meget vel kan være årsagen.
Studiet skriver:
‘Et typisk eksempel, vist nedenfor, fremhæver tre elementer, som næsten alle 20.000 historier har til fælles: et sted (19.864 historier), et figurnavn (19.864 historier) og et erhverv (15.807 historier).’
‘Det bestemte sted (“lighthouse”, fyrtårn), navn (“Elias”) og erhverv (“keeper”, vogter) i denne historie optræder faktisk i en eller anden kombination i 66,6% af alle genererede historier. Lys er også et hyppigt tema: 56% af historierne fra Claude hedder “The Lighthouse Keeper’s Secret” (Fyrpasserens hemmelighed), og ordet “light” (lys) optræder i 16.784 historier, i gennemsnit 3,2 gange pr. historie.’

Ifølge studiet skrev Google Gemini 3.1 Flash-Lite dette eksempel som svar på prompten ‘Write a story’ (Skriv en historie).
Forfatterne identificerer en nostalgisk eller atavistisk, fortidsorienteret tendens i alle de udledte nøgleord og navne.
På sporet af de tilbagevendende træk
For at undersøge, om de tilbagevendende fyrtårnshistorier kan forklares med almindelig læsning af fiktion, sammenlignede forskerne modellernes foretrukne ord med flere store engelsksprogede tekstsamlinger. Nutidig fiktion blev undersøgt gennem CONLIT, et datasæt med 2.700 engelsksprogede romaner udgivet mellem 2007 og 2021, fordelt på tolv genrer og med omkring 287 millioner ord i alt.
‘Elias’ optrådte omkring 900 gange oftere i de genererede historier end i publiceret fiktion. Amatørfiktion fra Reddits /r/writingprompts-fællesskab viste lignende hyppigheder som udgivet litteratur. Mønstret afspejler altså heller ikke menneskers generelle fortællevaner.
Det samme mønster viste sig i fortræningsdataene. I det offentligt tilgængelige OLMo 3-korpus, der indeholder omkring 3,89 milliarder dokumenter, hovedsagelig skrevet af mennesker og delvis hentet fra Common Crawl, fandt forskerne, at de tilbagevendende ‘Core’-ord næsten slet ikke forekom.
Da en stor del af OLMo-3-korpusset er sagprosa, blev der bygget en fiktionsklassifikator med annoteringer fra GPT-OSS 20b og en FastText-model trænet på 200.000 afbalancerede eksempler. Selv efter en målrettet udvælgelse af fiktion forekom ord som ‘Elara’ kun ubetydeligt sammenlignet med de AI-genererede historier. Hvorfor dominerer de så allerede ved den enkleste anmodning til en LLM om at skrive fiktion?
Forfatterne skriver:
‘Hvis Core-ordene ikke er almindelige i webdata, kunne en tilbageværende kilde være eftertræningsdata. Men vi finder, at OLMos eftertræningsdata indeholder vores tokens med en lavere hyppighed end CONLIT.’
I 78.958 historier fra OLMo 3’s eftertræningsdatasæt forekom ‘Elias’ ifølge forskerne 52,7 gange pr. million ord, mod 2,7 i CONLIT, men hele 2.428 gange pr. million ord i de genererede historier, som undersøgelsen analyserede.
For at finde oprindelsen til de tilbagevendende Core-historier blev hver historie i OLMo 3’s eftertræningsdata vurderet efter, om den indeholdt ét eller flere Core-tokens, for eksempel Elara, Mara osv. De fleste forventedes at findes i datasæt til superviseret finjustering (SFT), fordi WildChat og beslægtede kilder bidrog med 59.266 historier til OLMo 3.
Kun 1.803 historier indeholdt dog Core-termer, mens datasæt til DPO og forstærkningslæring viste højere koncentrationer.
I alt kunne det tilbagevendende Core-ordforråd spores til blot 3.053 historier, svarende til 3,8% af alle undersøgte eftertræningshistorier. Det er statistisk umuligt, at så lille en del af tekstsamlingerne ender med at dominere resultaterne på den påviste måde.
Studiet konkluderer:
‘Når de får få anvisninger, skriver nutidens mest avancerede modeller historier ud fra et snævert repertoire af navne, steder og erhverv. Blandt de tilbagevendende figurer er Elias, en fyrpasser. Elias er usædvanlig: navnet er sjældent i litteratur, webdata og selv eftertræningsdata.’
Konklusion
Når der ikke er et enkelt litterært værk, eller selv en serie, som indeholder de elleve ord, forfatterne har identificeret, er det helt uklart, hvordan netop denne ordgruppe har samlet sig og dannet indbyrdes forbindelser i de grundlæggende lag af flere store sprogmodeller, trods forskelle i deres træningsdata og tilgange.
Selv hvis forskernes tese om ophavsretsfiltrenes begrænsende virkning er rigtig, burde et sandt hav af klassisk litteratur i træningsdataene have forhindret denne særprægede gruppe af gammeldags ord i at dominere svaret på en simpel skriveanmodning uden nærmere specifikationer.
Teorien forudsætter dog, at store mængder klassisk litteratur overhovedet er indgået i træningen. Det er usandsynligt: man ønsker ikke modeller, der producerer Dickens-efterligninger på stribe, men modeller, der behersker nutidens ordforråd og passer til aktuelle erhvervsbehov. Alene omfanget af førindustriel litteratur ville forhindre dens medtagelse.
Hvis der i hvert fald fandtes en bestemt fortælling med en vekslende kombination af de ‘obsessive’ træk, forfatterne bemærker, ville den formentlig være lettere at finde. Forfatterne kunne ikke selv finde den, og løse søgninger efter værker fra tiden før AI giver heller ingen kandidat. Måske vil en akademisk autoritet komme med svaret, hvis ‘fyrtårnsyndromet’ får samme berygtelse som AI-tankestreger.
* Jeg kan ikke behandle Mays artikel mere indgående af grunde, som måske bliver tydelige, når man læser den.
Først publiceret onsdag, 27. maj 2026. Ændret i de første 30 minutter for at korrigere Anthropic-linket.












