論文の概要: Same Voice, Different Lab: On the Homogenization of Frontier LLM Personalities

• arxiv url: http://arxiv.org/abs/2605.02897v1
• Date: Fri, 20 Mar 2026 19:37:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 06:56:26.492262
• Title: Same Voice, Different Lab: On the Homogenization of Frontier LLM Personalities
• Title（参考訳）: 同じ声, 異なる実験室:フロンティアLSMの均質化について
• Authors: Avinash Krishna, Kalyana Chadalavada, Unso Eun Seo Jo,
• Abstract要約: そこで本研究では,144個の特徴にまたがるELOに基づく外部特性を用いて,フロンティアLEMの個人性に関する大規模な実験を行った。 実験した全てのモデルは, 体系的, 体系的, 分析的な特性表現に収束し, 反省的, サイコファンティックな特性を抑圧する。
• 参考スコア（独自算出の注目度）: 0.12744523252873352
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: LLM assistant personalities play a critical role in user experience and perceived response quality. We present a large-scale experiment of frontier LLM personalities using external ELO-based traits scoring across 144 traits. We find that all models tested converge on a form of trait expression that is systematic, methodical, and analytical and suppress traits such as remorseful and sycophantic. Moreover, models tend to diverge more in their expression of ``middle-of-distribution traits`` such as poetic or playful, but even these so-called ``creative`` models tend to have more neutral identities. These similarities suggest an implicit emergence of a standard of optimal assistant behavior. In a landscape of varied training methods, character training, therefore, stands out for its uniformity, offering insight into a tacit consensus between model developers.
• Abstract（参考訳）: LLMアシスタントパーソナリティは,ユーザエクスペリエンスや応答品質の認知において重要な役割を担っている。 そこで本研究では,144個の特徴にまたがるELOに基づく外部特性を用いて,フロンティアLEMの個人性に関する大規模な実験を行った。 実験した全てのモデルは, 体系的, 体系的, 分析的な特性表現に収束し, 反省的, サイコファンティックな特性を抑圧する。 さらに、モデルは詩的や遊び的といった「中間分布特性」の表現において、より多様化する傾向にあるが、こうした「創造的」モデルでさえ、より中立的なアイデンティティを持つ傾向にある。 これらの類似性は、最適なアシスタント行動の標準が暗黙的に現れることを示唆している。 様々なトレーニング手法の風景の中で、キャラクタトレーニングは、その均一性に際し、モデル開発者間の暗黙のコンセンサスに関する洞察を提供する。

関連論文リスト

• Experiences Build Characters: The Linguistic Origins and Functional Impact of LLM Personality [10.56924140369377]
  本研究は、教師なしの方法でモデルをドメイン固有のテキストに公開するために、継続事前学習を採用する。 モデル変異の性格特性を定量化し,それらの言語的スタイルと推論行動との関係を解析する。 この結果は、モデル能力がバイモーダルであり、"Expressive Generalists" と "Suppressed Specialists" がピークであることを示している。
  論文  参考訳（メタデータ） (2026-03-06T09:42:41Z)
• Enhancing Personality Recognition by Comparing the Predictive Power of Traits, Facets, and Nuances [37.83859643892549]
  パーソナリティ認識モデルは、行動データから性格特性を推定することを目的としている。 モーダル間(音響)とオブジェクト間(ダイアド・アウェア)のアテンション機構を含むトランスフォーマーベースモデルを訓練した。 その結果、ニュアンスレベルのモデルはファセットやトラストレベルのモデルよりも一貫して優れており、平均2乗誤差を最大74%削減できることがわかった。
  論文  参考訳（メタデータ） (2026-02-05T13:35:04Z)
• The Personality Illusion: Revealing Dissociation Between Self-Reports & Behavior in LLMs [60.15472325639723]
  人格特性は、人間の行動の予測因子として長い間研究されてきた。 近年のLarge Language Models (LLM) は, 人工システムに類似したパターンが出現する可能性を示唆している。
  論文  参考訳（メタデータ） (2025-09-03T21:27:10Z)
• IROTE: Human-like Traits Elicitation of Large Language Model via In-Context Self-Reflective Optimization [66.6349183886101]
  IROTEは,安定かつ伝達可能な特性抽出のための新しいインコンテキスト手法である。 IROTEが生成する1つの自己反射は、様々な下流タスクにまたがる目標特性の安定な偽造を LLM が引き起こすことを示す。
  論文  参考訳（メタデータ） (2025-08-12T08:04:28Z)
• PersLLM: A Personified Training Approach for Large Language Models [66.16513246245401]
  データ構築とモデルチューニングを改善するためのフレームワークPersLLMを提案する。 データ利用が不十分な場合には、Chain-of-Thoughtプロンプトやアンチインダクションといった戦略を取り入れます。 厳密な振舞いパターンを設計し,モデルの性格の特異性とダイナミズムを高めるために自動DPOを導入する。
  論文  参考訳（メタデータ） (2024-07-17T08:13:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。