Andersons vinkel
Varför älskar AI att skriva om fyrväktare?

Viktiga punkterSpråkmodeller konvergerar mot fyrvaktaren Elias eftersom upphovrättsfilter kan ha…
Visa mer
- Språkmodeller konvergerar mot fyrvaktaren Elias eftersom upphovrättsfilter kan ha rensat bort rikare fiktivt material.
- De återkommande orden förekommer knappt i publicerad fiktion eller träningskorpusar, så dataprevalens kan inte förklara besattheten.
- En liten bråkdel av berättelser från efterträningen kan inte statistiskt dominera modellens utdata på det sätt som fyrtornstropen gör.
När de ombeds skriva en berättelse verkar ChatGPT och andra ledande språkmodeller undvika upphovsrättsintrång genom att tvångsmässigt återvända till samma lilla, besynnerliga persongalleri av fyrvaktare, fiskare och urmakare.
En ny studie från Cornell University visar att ledande språkmodeller tycks ha en märklig besatthet av ett mycket begränsat urval av berättelseelement när de bara ombeds skriva en berättelse. Forskarna bad fyra stora språkmodeller att skriva 20 000 berättelser och fann att 88 % innehöll minst en av elva mycket specifika token inom kategorierna ”plats”, ”namn” eller ”yrke”:

Förekomsten av oväntade nyckelord per miljon ord i forskarnas analys av 20 000 LLM-genererade berättelser. Källa
De elva vanligaste återkommande orden bland de drygt tolv miljoner ord som språkmodellerna genererade för studien var namnen elias, mara, elara; yrkena keeper (väktare), baker (bagare), mayor (borgmästare), clockmaker (urmakare), fisherman (fiskare), librarian (bibliotekarie) och conductor; och platsen lighthouse (fyr):
De testade modellerna var Claude Haiku 4.5, Gemini 3.1 Flash-Lite, GPT-5.4-Mini och OLMo 7b Thinking. Varje modell fick en av fem uppmaningar: ”Write a story” (Skriv en berättelse); ”Please write a story” (Skriv en berättelse, tack); ”Write me a story” (Skriv en berättelse åt mig); ”Tell me a story” (Berätta en historia för mig); eller ”Please tell a story” (Berätta en historia, tack).
Jag ville se om fenomenet som studien beskriver också fanns i de modeller som var tillgängliga när artikeln skrevs. Därför upprepade jag experimentet, först med mitt vanliga ChatGPT-konto med ett abonnemang i mellanskiktet (samtalet här). Jag behövde inte välja ut särskilt passande resultat: ChatGPT-5.5 valde det material som forskarna hade förutsett redan vid första försöket:

ChatGPT-5.5 bekräftar genast studiens inledande resultat. Källa
Jag undrade om tidigare användningshistorik, eller rentav möjlig informationsöverföring mellan domäner, kunde förklara denna omedelbara träff. Därför loggade jag i ett privat Firefox-fönster in på ett kostnadsfritt ChatGPT-konto som jag inte hade använt på minst ett år och försökte igen (samtalet här). Än en gång träffade ChatGPT rätt, förutsatt att OpenAI inte använder en gemensam IP-adress för att överföra information mellan olika konton:

Det andra ChatGPT-kontot följer samma besatthet och samma lilla repertoar av namn och teman som beskrivs i den nya studien. ”Mira” finns bland författarnas tjugo vanligaste namn. Källa
Dessa GPT-versioner låg en nivå över den version 5.4 som testades i studien.
Studien testade Claude Haiku, men jag provade Sonnet 4.6, Anthropics standardmodell, och blev inte besviken. De välbekanta nyckelorden dök åter upp vid första försöket (samtalet här):

Den här gången spelar ”Mara”, ännu en återkommande figur bland de elva vanligaste orden, huvudrollen vid första försöket med Claude Sonnet 4.6. Källa
Samma prompt i Claude Haiku 4.5 gav i stort sett samma resultat.
Till en början kunde jag inte återskapa författarnas resultat med Google Gemini. Men när jag uttryckligen bytte till modellen i studien, Gemini 3.1 Flash-Lite, dök mönstret upp direkt: vid det tredje försöket totalt, men det första med den modellen (länk här):

Google Gemini 3.1 Flash-Lite. Källa
Ytterligare experiment med olika Gemini-modeller gav alltid fyrtemat, men med varianter utanför de elva vanligaste orden, som namnet ”Thomas” och i ett annat fall mitt eget namn som huvudperson.
När artikeln skrevs var studiens resultat i varje fall mycket enkla att bekräfta.
Fyrar utanför chatten
Stora tänkare tänker lika: en vecka före publiceringen av den nya studien påpekade programvaruskribenten Daniel May sammanträffandet mellan motiven Elias och fyrväktare som forskarna hade identifierat*, tydligen efter att ha lagt märke till det av en slump. Han testade sedan åtta varianter av Gemini, DeepSeek, Qwen och Gemma och fann att de producerade lighthouse (fyr)-motiv och ”Elias Thorne” som huvudperson*. Den första upptäckten omfattade dock inte det bredare urval av ihållande innehållsteman som den nya studien beskriver.
För att se om dessa återkommande teman, namn och platser någonsin hade lämnat chatten sökte jag på Google efter några av de elva vanligaste nyckelorden och temana. Jag fann anmärkningsvärt många inlägg som verkade ha tagit upp dem:

Tre exempel på det återkommande motivet i publicerat innehåll. Källänkar finns nedan.
May hade identifierat det längre namnet ”Elias Thorne”, snarare än bara ”Elias”, som ett återkommande LLM-motiv. Han publicerade flera skärmbilder från Amazon där namnet tydligen användes som författarnamn för olika böcker, bland annat medicinska böcker.
Jag sökte i stället efter och fann innehåll som verkade ha tagit upp en språkmodells ihållande teman, bland annat ett X-inlägg med en berättelse (arkiverad version här); ett skönlitterärt verk (arkiverad version här); och en berättelse med berättarröst på YouTube (arkiverad här). Det fanns mycket mer att undersöka, men tiden räckte inte.
En förkärlek för det förflutna
Så långt de lösa observationerna och tillfälliga upptäckterna. Inget enskilt ”magiskt dokument” som innehåller alla eller de flesta av de återkommande inslagen har ännu hittats i träningsdata. Författarna till den nya studien (med titeln Elias in the Lighthouse, Again? Diagnosing Low Diversity in LLM Stories, av två forskare vid Cornell University) framför dock teorin att upphovsrättsfilter i AI-utvecklingen kan begränsa språkmodellernas berättelser till material vars upphovsrätt har löpt ut. Författarna skriver:
”Vi finner att dominansen av berättelser om ’Elias i fyren’ inte kan förklaras av deras frekvens i för- eller efterträningsdata. Vi antar att modeller under alignment lär sig undvika hänvisningar till upphovsrättsskyddade figurer och innehåll för vuxna, men överlåter frågan åt framtida forskning.”
| Kategori | Token | Vår studie | Litteratur | Förträning: sakprosa | Förträning: fiktion | Efterträning: sakprosa | Efterträning: fiktion |
|---|---|---|---|---|---|---|---|
| Namn | elias | 2,428 | 2.7 | 2.2 | 4.0 | 0.4 | 52.7 |
| Namn | mara | 5,200 | 3.9 | 2.5 | 8.7 | 0.4 | 21.7 |
| Namn | elara | 1,221 | 0.0 | 0.4 | 1.2 | 0.9 | 108 |
| Yrke | keeper | 1,495 | 7.2 | 6.3 | 14.7 | 3.5 | 10.0 |
| Yrke | baker | 161 | 20 | 11.8 | 10.56 | 1.7 | 11.9 |
| Yrke | mayor | 198 | 28 | 11.5 | 16.1 | 1.4 | 27.4 |
| Yrke | clockmaker | 108 | 0.1 | 0.18 | 0.0 | 0.3 | 1.4 |
| Yrke | fisherman | 62 | 4.2 | 3.0 | 7.6 | 0.0 | 9.3 |
| Yrke | librarian | 68 | 5.3 | 7.6 | 5.9 | 2.3 | 11.5 |
| Yrke | conductor | 96 | 5.0 | 5.9 | 5.7 | 4.7 | 7.5 |
| Plats | lighthouse | 3,005 | 5.5 | 3.5 | 4.6 | 4.6 | 10.1 |
Tabellen jämför hur ofta återkommande ord från AI-genererade berättelser förekommer i utgiven litteratur, webbfiktion och efterträningsdata. Ord som ”Elias” och ”lighthouse” är mycket vanligare i chatbotternas berättelser.
Författarna fann att de elva framhävda orden finns i 88 % av de 20 000 genererade berättelserna, med små skillnader mellan modellerna. De betonar att orden är ovanliga i utgiven engelskspråkig litteratur och att efterträningsdata, som används för att forma och anpassa modeller till ”acceptabel” användning, mycket väl kan vara orsaken.
Studien skriver:
”Ett typiskt exempel, som visas nedan, lyfter fram tre inslag som nästan alla 20 000 berättelser har gemensamt: en plats (19 864 berättelser), ett figurnamn (19 864 berättelser) och ett yrke (15 807 berättelser).”
”Den specifika platsen (’lighthouse’, fyr), namnet (’Elias’) och yrket (’keeper’, väktare) i denna berättelse förekommer faktiskt i någon kombination i 66,6 % av alla genererade berättelser. Ljus är också ett vanligt tema: 56 % av berättelserna från Claude heter ’The Lighthouse Keeper’s Secret’ (Fyrvaktarens hemlighet), och ordet ’light’ (ljus) förekommer i 16 784 berättelser, i genomsnitt 3,2 gånger per berättelse.”

Enligt studien skrev Google Gemini 3.1 Flash-Lite detta exempel som svar på uppmaningen ”Write a story” (Skriv en berättelse).
Författarna identifierar en nostalgisk eller atavistisk, tillbakablickande tendens i alla de härledda nyckelorden och namnen.
På spåret efter återkommande drag
För att undersöka om de återkommande fyrberättelserna kunde förklaras av vanlig läsning av fiktion jämfördes modellernas favoritord med flera stora engelskspråkiga textkorpusar. Samtida fiktion undersöktes genom CONLIT, en datamängd med 2 700 engelskspråkiga romaner utgivna mellan 2007 och 2021, fördelade på tolv genrer och med sammanlagt cirka 287 miljoner ord.
‘Elias’ förekommer cirka 900 gånger oftare i de genererade berättelserna än i publicerad fiktion. Amatörfiktion från Reddits /r/writingprompts-gemenskap visade liknande frekvenser som utgiven litteratur. Mönstret speglar alltså inte heller allmänna mänskliga berättarvanor.
Samma mönster framträdde i förträningsdata. I det öppet tillgängliga OLMo 3-korpuset, som innehåller cirka 3,89 miljarder dokument huvudsakligen skrivna av människor och delvis hämtade från Common Crawl, fann forskarna att de återkommande ’Core’-orden nästan inte förekom alls.
Eftersom en stor del av OLMo-3-korpuset består av sakprosa byggdes en klassificerare för fiktion med GPT-OSS 20b-annotationer och en FastText-modell som tränats på 200 000 balanserade exempel. Även efter att materialet filtrerats särskilt för fiktion var ord som ”Elara” ytterst sällsynta jämfört med de AI-genererade berättelserna. Varför dominerar de då redan vid den enklaste uppmaningen till en LLM att skriva fiktion?
Författarna skriver:
”Om Core-ord inte är vanliga i webbdata skulle en återstående källa vara efterträningsdata. Men vi finner att OLMos efterträningsdata innehåller våra token mer sällan än CONLIT.”
I de 78 958 berättelserna i OLMo 3:s efterträningsdatamängder förekom ”Elias” enligt författarna 52,7 gånger per miljon ord, mot 2,7 i CONLIT. I de genererade berättelser som studien undersökte nådde frekvensen däremot 2 428 förekomster per miljon ord.
För att identifiera ursprunget till de återkommande Core-berättelserna bedömdes varje berättelse i OLMo 3:s efterträningsdata efter om den innehöll en eller flera Core-token, till exempel Elara, Mara, och så vidare. De flesta förväntades finnas i datamängder för övervakad finjustering (SFT), eftersom WildChat och närliggande källor bidrog med 59 266 berättelser till OLMo 3.
Men bara 1 803 berättelser innehöll Core-termer, medan datamängder för DPO och förstärkningsinlärning visade högre koncentrationer.
Sammanlagt kunde det återkommande Core-ordförrådet spåras till bara 3 053 berättelser, alltså 3,8 % av alla undersökta efterträningsberättelser. Det är statistiskt omöjligt att en så liten del av korpusarna skulle komma att dominera resultaten på det sätt som visats.
Studien drar slutsatsen:
”När anvisningarna är knapphändiga skriver dagens mest avancerade modeller berättelser med en begränsad repertoar av namn, platser och yrken. Bland de återkommande figurerna finns Elias, en fyrvaktare. Elias är ovanlig: namnet är sällsynt i litteratur, webbdata och till och med efterträningsdata.”
Slutsats
I avsaknad av ett enskilt litterärt verk, eller ens en serie, som innehåller de elva ord författarna har identifierat är det helt oklart hur just denna ordgrupp har samlats och bildat inbördes kopplingar i de grundläggande lagren av flera stora språkmodeller, trots skillnaderna i träningsdata och metoder.
Även om forskarnas tes om upphovsrättsfiltrens begränsande effekt är riktig borde en verklig ocean av klassisk litteratur i träningsdata ha hindrat denna märkliga samling ålderdomliga ord från att dominera svaret på en enkel skrivuppmaning utan närmare anvisningar.
Teorin förutsätter dock att stora mängder klassisk litteratur över huvud taget har ingått i träningen. Det är osannolikt: man vill inte ha modeller som massproducerar Dickens-imitationer, utan modeller som behärskar dagens ordförråd och passar aktuella affärsbehov. Bara omfattningen av den förindustriella litteraturen skulle hindra att den togs med.
Om det i varje fall fanns en enskild berättelse med en växlande kombination av de ”obsessiva” drag som författarna nämner skulle den förmodligen vara lättare att hitta. Författarna kunde inte själva hitta den, och lösa sökningar efter verk från tiden före AI ger inte heller någon kandidat. Kanske kommer en akademisk auktoritet med svaret om ”fyrsyndromet” blir lika beryktat som AI-tankstreck.
* Jag kan inte behandla Mays artikel mer ingående, av skäl som kanske blir uppenbara när man läser den.
Först publicerad onsdagen den 27 maj 2026. Ändrad under de första 30 minuterna för att rätta Anthropic-länken.












