特质更深入：针对多模式人格评估的特质特定不对称融合

人格评估旨在从语言、声音和面部表情等模式的动态行为中推断出稳定的特征。现有方法通常对所有人格维度采用统一的多模态融合策略，忽略了特定特质的模态偏好并导致跨模态干扰。为了解决这个问题，我们提出了 Traits Run Deeper，这是一种新颖的性格评估框架，由三个组成部分组成。首先，多模态基础表示（MFR）模块构建面向个性的输入，并结合心理学信息的语义模板作为锚点，使基础模型能够捕获与特质相关的行为。其次，特征特定模态融合（TSMF）模块采用不对称融合机制，允许每个维度选择性地利用不同的模态路径来捕获异构偏好，同时减少跨模态污染。第三，分布校准人格回归（DCPR）模块通过目标分布校准减轻标签不平衡和集中趋势偏差，提高鲁棒性和稳定性。 AVI Challenge 2026 验证集的实验结果表明，与基线相比，我们的框架将均方误差 (MSE) 降低了约 25%。对官方测试集的持续改进表明我们的方法达到了最佳性能，并在 AVI Challenge 2026 Personality Assessment Track 中排名第一。源代码将在 [https://github.com/MSA-LMC/TraitsRunDeeper](https://github.com/MSA-LMC/TraitsRunDeeper) 中提供。