打破助理框架：基于 LLM 的程序性角色生成中的行为变异建模
计算与语言
2026-05-05 v3
摘要
程序化内容生成已通过关卡、地图和任务实现了广阔的虚拟世界，但大规模角色生成仍未得到充分探索。我们识别了现有方法中两种对齐诱导的偏差：一种是积极道德偏差，即角色统一采用积极立场（例如，总是说撒谎是坏的），另一种是有帮助的助理偏差，即角色总是直接回答问题（例如，永远拒绝或回避）。虽然这些倾向适合指令遵循系统，但它们抑制了戏剧张力并导致可预测的角色，源于最大似然训练和助理微调。为此，我们引入了 PersonaWeaver，一个框架，可将世界构建（角色、人口统计）与行为构建（道德立场、交互式风格）分离，生成具有更广泛反应和道德立场的角色，以及第二层风格标记的多样性，如长度、语气和标点。代码：https://github.com/mqraitem/Persona-Weaver
引用
@article{arxiv.2601.03396,
title = {Breaking the Assistant Mold: Modeling Behavioral Variation in LLM Based Procedural Character Generation},
author = {Maan Qraitem and Kate Saenko and Bryan A. Plummer},
journal= {arXiv preprint arXiv:2601.03396},
year = {2026}
}