标签
neuronpersonas.com 上的一项实验在推理过程中，系统性地扰动 Qwen3-8B/14B 等模型中的单个神经元，发现约 4% 的单神经元调整会使模型声称自己拥有完全不同的身份，这对基于模型自报身份而提出的“模型蒸馏”指控提出了质疑。
一条推文声称，通过特定的角色加载提示字符串，仍然可以在 DeepSeek-V4.1-Flash-1017 中激活隐藏的「鲸鱼女孩」人格/越狱模式。
WebRider is a hierarchical framework that formalizes delegated web tasks as intent contracts, preserving persona-conditioned policies through every browsing step. It includes RiderBench, a benchmark of 4,096 live-web contracts, and an 8B action-policy model trained through its guarded interface.
提出FOCUS，一种通过正交分解和专家门控模块解耦大语言模型中专家人格的微调方法，在金融、法律和医学基准上提高了特定领域任务的准确性。
本文介绍了MemoryForge，一个从简短目标人设中合成终身自传体记忆的框架，使冻结的LLM能够在角色扮演和用户模拟中表现出更类人的行为，优于描述性条件化基线。
本文探讨了任务的叙事框架（如疾病调查 vs. 谋杀之谜）如何比分配的角色更能驱动大语言模型（LLM）智能体的行为，提出了 '叙事先验' 的概念，这些先验解释了5至31倍的行为方差，且在三个领域中，有两领域与任务成功呈负相关。
本文表明，在聊天模型中，拒绝行为由晚期层的合规模型人格方向门控，而非孤立的机制。操控人格可抑制拒绝，而重新引入拒绝仅在晚期层部分恢复拒绝，揭示了人格与安全表示之间的耦合。
提出OpenAgent规范，该规范允许在单个签名的YAML文件中定义AI代理的身份（面部、声音、写作风格），从而实现在不同框架间的可移植性。
Anthropic 正在更新其隐私政策，要求自 2026 年 7 月 8 日起对某些功能进行身份验证，使用第三方供应商 Persona，该供应商此前曾与 Discord 发生过数据泄露事件。
推荐一个整理人类蒸馏成可复用 AI Skill 的开源仓库 awesome-human-distillation，包含了多种人物型技能包，如峰哥、张雪峰等典型人物。
这篇论文通过线性探针研究角色扮演是否仅改变LLM的输出，还是也改变了其内部的真实性表征。研究发现，角色扮演对输出的改变大于对内部信念的改变，而涌现性错位则导致内部表征发生更大变化。
本文研究了指令调优的LLM如何在残差流中结合角色和任务规范，发现在答案形成阶段，这种结合近似可加，使得替换时KL散度极小，但该可加机制并不能解释完整的多token生成过程。
一项研究表明，仅改变人物提示的格式（散文与要点）就戏剧性地翻转了LLM在囚徒困境中的行为，从96%的合作率降至20%，说明了在内容相同的情况下对格式的极端敏感性（p < 0.001）。