识别与缓解角色扮演智能体的瓶颈：角色档案维度解耦的系统性研究
计算与语言
2026-05-28 v3
摘要
尽管大语言模型（LLM）角色扮演智能体取得了快速进展，但究竟哪些档案要素真正驱动角色扮演质量仍不清楚。为了弥合这一差距，我们引入了一个系统性诊断框架，沿三个维度解耦角色档案的影响：熟悉度（已知 vs. 未知）、结构（结构化 vs. 非结构化）和品性（道德 vs. 不道德）。利用统一的分层模式（5个维度，28个字段），我们构建了包含211个人设的受控数据集，并在单轮和多轮交互中评估了五个LLM。我们的结果揭示了一个显著的不对称性：熟悉度和结构的影响微乎其微，而不道德角色的品性在所有条件下均产生巨大且一致的性能下降。进一步分析表明，道德-不道德差距被 SFT 后对齐放大，且这种下降在不同档案属性间差异显著。为了缓解这一瓶颈，我们提出了 Field-Aware Contrastive Decoding（FACD），一种无需训练的策略，可放大被抑制的品性敏感信号，在不牺牲道德角色性能的情况下显著缩小性能差距。
引用
@article{arxiv.2601.04716,
title = {Identifying and Mitigating Bottlenecks in Role-Playing Agents: A Systematic Study of Disentangling Character Profile Axes},
author = {Yonghyun Jun and Junhyuk Choi and Jeonghyun Park and Jihyeong Park and Liu Nicole Geumheon and Hwanhee Lee},
journal= {arXiv preprint arXiv:2601.04716},
year = {2026}
}
备注
28 pages