标签
本文介绍了从语言模型中提取的大五人格特质的人格向量，为涌现不对齐提供了可解释的解释。研究表明，不对齐的微调会导致模型人格沿着特定特征变化（低宜人性和尽责性，高外向性和神经质），为安全现象提供了人类可读的诊断特征。
本文提出了一种多智能体人群模拟，使用LLM驱动的智能体通过视觉、听觉和触觉通道相互感知和评估，导致涌现的情感传染，无需显式手工编写的情感转移。研究展示了在五个场景中空间、时间和人格依赖的传染动态，并评估了后端依赖的评估行为。
本文介绍了一种机制可解释性方法，通过使用稀疏自编码器识别并干预潜在特征来调控LLM人格特质，在保持语言性能的同时实现了可控的人格调制。
本文研究对LLM在长篇散文上进行微调（结合关联的大五人格剖面）是否能稳定问卷回答并归纳目标剖面，发现虽然方差减小，但完整五维剖面的准确率仍接近随机水平。