角色转向对 LLM 功能影响的系统分析

为 大语言模型 (LLM) 注入特定的角色对于定制交互风格来说很普遍，但对潜在认知能力的影响仍有待探索。我们采用基于神经元的人格特质归纳（NPTI）框架来归纳 LLM 中的大五人格特质，并评估六个认知基准的表现。我们的研究结果表明，角色归纳可以在认知任务表现方面产生稳定、可重复的转变，超越表面风格的变化。这些效应表现出强烈的任务依赖性：某些性格在遵循指令方面产生持续的收益，而另一些性格则损害复杂的推理。影响大小随特质维度的不同而系统性地变化，其中开放性和外向性的影响最为强烈。此外，LLM 效应与人类人格认知关系的方向一致性为 73.68%。利用这些规律，我们提出动态角色路由（DPR），这是一种轻量级查询自适应策略，无需额外训练即可优于最佳静态角色。