使用 Big Five Scaler Prompts 在 LLMs 中扩展人格控制
Scaling Personality Control in LLMs with Big Five Scaler Prompts
AI总结：
本文提出 Big5-Scaler 框架，通过将数值化特质嵌入自然语言提示词，无需额外训练即可对 LLMs 实现细粒度的 Big Five 人格控制，并验证了其构建人格感知对话智能体的有效性。
摘要：
我们提出了 Big5-Scaler，一个基于提示词的框架，用于用可控的 Big Five 人格特质来调节大型语言模型（LLMs）。通过将数值化的人格特质值嵌入到自然语言提示词中，我们的方法无需额外训练即可实现细粒度的人格控制。我们在特质表达、对话生成和人类特质模仿任务上评估了 Big5-Scaler。结果表明，它能在不同模型中引发一致且可区分的人格特质，且性能随提示词类型和规模而变化。我们的分析强调了简洁提示词和较低特质强度的有效性，为构建具有人格意识的对话智能体提供了一种高效的方法。
英文摘要：
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.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
