超越静态人格：面向大语言模型的情境人格驾驶
计算与语言
2026-04-20 v3
摘要
个性化大语言模型（LLM）有助于在以人为中心的应用中实现更自然、更贴近人类的交互。然而，现有的个性化方法受限于可控性有限和资源需求高，此外依赖于静态人格建模，限制了其在不同情境下的可适应性。为此，我们首先通过对 persona neurons 多视角分析，展示了 LLM 人格中存在情境依赖性和一致的情境-行为模式。基于这些洞见，我们提出 IRIS，一个无需训练的、基于神经元的 Identify-Retrieve-Steer 框架，用于实现情境人格的高级驾驶。该方法包括情境人格神经元识别、情境感知神经元检索以及相似度加权驾驶。我们在 PersonalityBench 和我们新引入的 SPBench——一个综合性情境人格基准测试——上进行了实证验证。实验结果表明，我们的方法超越了最佳基线，显示出 IRIS 对复杂、未见情境以及不同模型架构的广泛性和鲁棒性。
关键词
引用
@article{arxiv.2604.13846,
title = {Beyond Static Personas: Situational Personality Steering for Large Language Models},
author = {Zesheng Wei and Mengxiang Li and Zilei Wang and Yang Deng},
journal= {arXiv preprint arXiv:2604.13846},
year = {2026}
}
备注
Accepted to Findings of ACL2026