用数值提示控制大模型人格，无需训练即可精细调节性格特征。
Scaling Personality Control in LLMs with Big Five Scaler Prompts
- 将人格数值嵌入自然语言提示，实现无训练的性格控制。
- 不同提示类型和强度下，性格表现一致且可区分。
- 简洁提示与较低强度效果更优，适合构建有性格的对话系统。
我们提出 Big5-Scaler，一种基于提示的框架，用于以可控的五大性格特质（Big Five）来调节大型语言模型（LLMs）。通过将数值化的人格特质嵌入自然语言提示中，该方法可在不进行额外训练的情况下实现细粒度的人格控制。我们在性格表达、对话生成和人类性格模仿任务上评估了 Big5-Scaler。结果表明，该方法在不同模型间均能诱发一致且可区分的人格特征，性能受提示类型和量表的影响。分析显示，简洁提示和较低人格强度更具有效性，为构建具备人格意识的对话代理提供了一种高效方案。
原文摘要 · Abstract (English)
We present Big5-Scaler, a prompt-based framework for conditioning large language models (LLMs) with controllable Big Five personality traits. By embedding numeric trait values into natural language prompts, our method enables fine-grained personality control without additional training. We evaluate Big5-Scaler across trait expression, dialogue generation, and human trait imitation tasks. Results show that it induces consistent and distinguishable personality traits across models, with performance varying by prompt type and scale. Our analysis highlights the effectiveness of concise prompts and lower trait intensities, providing a efficient approach for building personality-aware dialogue agents.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。