persona-steering

本研究探讨使用挪威MFQ-30问卷引导大型语言模型朝向人类道德基础，评估提示级别的人格引导和激活级别干预。

本文识别出KV缓存污染是对话中激活引导的一种失败模式，并提出了GCAD方法，该方法从提示贡献中提取引导信号，并应用词元级门控来改进长程连贯性，在多轮基准上取得了显著提升。

本文介绍了IRiS，一种无需训练的情境人格引导框架，它通过识别和利用情境依赖的人格神经元，超越了静态人格建模。该方法表明，大型语言模型的行为随情境变化，并提出了基于神经元的识别、检索和加权引导方法，在PersonalityBench和新增的SPBench基准上得到验证。