幽默或说服，但不可兼得：评估 LLM 中的细粒度多概念控制
计算与语言
2026-01-27 v1 人工智能
摘要
大型语言模型（LLMs）提供了强大的生成能力，但许多应用要求对特定文本概念（如幽默、说服力或正式度）进行显式且细粒度的控制。先前的提示和表示工程方法可以提供粗粒度或单属性控制，但对多属性设置的系统评估仍然有限。我们引入了一个针对单概念和双概念场景的细粒度可控性评估框架，重点关注语言学上不同的概念对（例如，说服力与幽默）。令人惊讶的是，在多个 LLM 和生成任务中，我们发现即使在原则上所选概念应当是可分离的，双概念设置下的性能也往往会下降。这揭示了基于朴素提示的控制的一个根本局限：即使概念在直觉上是独立的，模型也难以应对组合性。我们的框架提供了关于这一差距的系统性证据，并为衡量未来多概念控制方法的能力提供了一种有原则的方法。
引用
@article{arxiv.2601.18483,
title = {Funny or Persuasive, but Not Both: Evaluating Fine-Grained Multi-Concept Control in LLMs},
author = {Arya Labroo and Ivaxi Sheth and Vyas Raina and Amaani Ahmed and Mario Fritz},
journal= {arXiv preprint arXiv:2601.18483},
year = {2026}
}
备注
Accepted for publication at EACL main conference