disztribúciós konvergencia
Angol megfelelő: distributional convergence (a magyar alak a szótár saját fordítása)
A disztribúciós konvergencia az, hogy egy nyelvi modell irány nélkül a tanítóadatban leggyakoribb, legbiztonságosabb megoldás felé húz, ezért a kimenetei egymáshoz hasonlítanak. Weblapnál ez a jól ismert kép: Inter betű, lila színátmenet fehér alapon, alig mozgás.
Honnan jön. Az Anthropic 2025. november 12-i cikke (Improving frontend design through Skills, az Applied AI csapat írása) használja a kifejezést. A cikk nyitó megfigyelése: ha egy nyelvi modelltől útmutatás nélkül kérsz landing oldalt, szinte mindig „Inter betűt, lila színátmenetet fehér alapon és minimális animációt” kapsz. Utána: „A gond? Disztribúciós konvergencia.”
Miért történik? A cikk szerint a modell mintavételkor a tanítóadat statisztikai mintázatai alapján jósolja a következő tokent. A webes tanítóadatban azok a biztonságos tervezési döntések vannak túlsúlyban, amelyek mindenhol működnek és senkit nem zavarnak; irány nélkül a modell ebből a nagy valószínűségű középből választ. A cikk szerint a modell ennél többet tud, csak a konvergencia eltakarja.
Mit lehet tenni? A modell jól irányítható: a cikk szerint már az is azonnal javít, ha a promptban kimondod, hogy kerülje az Intert és a Robotót. A hatékony útmutatás megnevezi, melyik alapértelmezést kerülje és mit válasszon helyette, betűnél, színnél, mozgásnál és háttérnél külön; segít egy ismert stílus megnevezése is. Az Anthropic ezt egy körülbelül 400 tokenes promptba sűrítette és skillként tölti be, csak akkor, amikor a feladat kéri.
A buktató. A tiltás nem szünteti meg a jelenséget, csak arrébb tolja. A cikk saját promptja figyelmezteti a modellt: „Generálásról generálásra még mindig közös választásokra konvergálsz (például a Space Groteskre).” A cikk szerint kifejezett tiltás mellett is a következő gyakori választásra áll át a modell. A Space Grotesk ráadásul ugyanennek a cikknek a betű-promptjában még a jó választások között szerepelt.
Nem csak weblap. A cikk szerint a minta minden olyan területre áll, ahol a modell jellegtelen eredményt ad és a módszer ugyanaz: azonosítani a konvergáló alapértelmezéseket, konkrét alternatívát adni és ezt újrahasznosíthatóvá tenni.
Példa: Egy szegedi fogászat a tulajdonos unokaöccsével AI-jal rakatja össze az új weblapját, a promptban csak annyi áll, hogy legyen modern és bizalomkeltő. Kész is lesz egy óra alatt: Inter betű, lila színátmenet, három lekerekített kártya. Két hét múlva a szomszéd utcai rendelő is új lapot kap, ugyanígy készül, a kettőt csak a logó különbözteti meg. Mire jó a fogalom: arra, hogy a megrendelő tudja: a hasonlóság nem véletlen, hanem az irány hiánya, tehát a promptban neki kell megneveznie, mit kerüljön a gép és mit válasszon helyette. Mire nem: arra, hogy egy tiltólista egyszer s mindenkorra megoldja; a gép a következő biztonságos választásra áll át, ezért a kimenetet minden körben meg kell nézni.
Forrás: Prithvi Rajasekaran, Justin Wei, Alexander Bricken, Molly Vorwerck, Ryan Whitehead (Anthropic): Improving frontend design through Skills, 2025. november 12., claude.com/blog/improving-frontend-design-through-skills (átirányít ide: claude.com/resources/articles/improving-frontend-design-through-skills; a kifejezés, a nyitó megfigyelés, a magyarázat, a javítás módja, a Space Grotesk-figyelmeztetés, a kiterjesztés más területekre). 2026-10-27-én letöltve. A magyar alak és a példa a szótár saját értelmezése.
Rokon fogalmak: slop, következő token előrejelzése (next-token prediction), rendszerprompt, skill, generatív modell