PersonaFuse：一种基于人格激活的增强人机交互框架
计算与语言
2025-09-12 v2
摘要
大型语言模型 (LLM) 的最新进展展示了其在各个领域的卓越能力。这些发展促使人类与 LLM 在各种情境下（如社交陪伴和心理支持）进行更直接的交流。然而，LLM 在真实对话中常表现出情感感知和社交能力的局限性。这些局限性部分源于其无法根据不同的社交和任务情境调整沟通风格与情感表达。在本工作中，我们引入了 PersonaFuse，一种新颖的 LLM 后训练框架，使 LLM 能够针对不同情境适应并表达不同的人格。受特质激活理论和大五人格模型启发，PersonaFuse 采用混合专家架构，将人格适配器与动态路由网络相结合，实现情境化的特质表达。实验结果表明，PersonaFuse 在社会情感智能的多个维度上显著优于基线模型。重要的是，这些提升是在不牺牲通用推理能力或模型安全性的前提下实现的，而后者是直接提示和监督微调方法的常见局限。PersonaFuse 在心理健康咨询和基于评论的客户服务等下游以人为中心的应用中也带来了一致的改进。最后，针对领先 LLM（包括 GPT-4o 和 DeepSeek）的人类偏好评估表明，尽管模型规模相对较小，PersonaFuse 实现了具竞争力的回复质量。这些发现表明，PersonaFuse 为开发社会情感增强的 LLM 提供了理论基础与实用方法，标志着向更以人为本的 AI 系统迈出的重要一步。
引用
@article{arxiv.2509.07370,
title = {PersonaFuse: A Personality Activation-Driven Framework for Enhancing Human-LLM Interactions},
author = {Yixuan Tang and Yi Yang and Ahmed Abbasi},
journal= {arXiv preprint arXiv:2509.07370},
year = {2025}
}