IROTE：通过上下文内自我反思优化激发大语言模型的人类特质
计算与语言
2025-12-01 v2 人工智能
计算机与社会
摘要
基于各种人类撰写的语料库训练，大型语言模型（LLM）已展示出通过提示反映特定人类特质（例如个性或价值观）的某种能力，这有利于个性化LLM和社会模拟等应用。然而，现有方法存在表面化激发问题：LLM只能被引导模仿浅层且不稳定的风格模式，无法像人类一样在各种任务中精确且一致地体现所需特质。为了解决这一挑战，我们提出了IROTE，一种新颖的上下文内方法，用于稳定且可转移的特质激发。借鉴心理学理论，即特质是通过与身份相关的反思形成的，我们的方法在提示中自动生成并优化文本自我反思，其中包含自我感知的经验，以刺激LLM的特质驱动行为。优化通过迭代最大化信息论目标来实现，该目标增强LLM行为与目标特质之间的联系，同时减少反思中的噪声冗余，无需任何微调，从而产生引人注目且紧凑的特质反思。在三个人类特质系统上的大量实验表明，单个IROTE生成的自我反思可以诱导LLM在超出简单问卷回答的各种下游任务中稳定地模仿目标特质，始终优于现有的强基线。
引用
@article{arxiv.2508.08719,
title = {IROTE: Human-like Traits Elicitation of Large Language Model via In-Context Self-Reflective Optimization},
author = {Yuzhuo Bai and Shitong Duan and Muhua Huang and Jing Yao and Zhenghao Liu and Peng Zhang and Tun Lu and Xiaoyuan Yi and Maosong Sun and Xing Xie},
journal= {arXiv preprint arXiv:2508.08719},
year = {2025}
}
备注
This paper is accepted by AAAI 2026