论文
超越静态角色：大语言模型 的情景个性指导
Beyond Static Personas: Situational Personality Steering for Large Language Models
摘要
个性化 大语言模型 (LLM) 有助于在以人为中心的应用程序中实现更自然、更人性化的交互。然而，现有的个性化方法受到有限的可控性和高资源需求的限制。此外，他们对静态人格模型的依赖限制了对不同情况的适应性。为了解决这些局限性，我们首先通过对角色神经元的多视角分析来证明 LLM 人格中存在情境依赖性和一致的情境行为模式。基于这些见解，我们提出了 IRIS，这是一种基于神经元的 无需训练 识别-检索-引导框架，用于高级情境个性引导。我们的方法包括情境角色神经元识别、情境感知神经元检索和相似性加权引导。我们在 PersonalityBench 和新推出的 SPBench（一种综合情境人格基准）上实证验证了我们的框架。实验结果表明，我们的方法超越了最佳性能基线，证明了 IRIS 对复杂、未见过的情况和不同模型架构的泛化性和鲁棒性。