論文の概要: Modeling Complex Behaviors: Multi-Personality Composition and Dynamic Switching in Vision-Language Models

• arxiv url: http://arxiv.org/abs/2606.11074v2
• Date: Wed, 10 Jun 2026 03:48:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 14:23:44.406157
• Title: Modeling Complex Behaviors: Multi-Personality Composition and Dynamic Switching in Vision-Language Models
• Title（参考訳）: 複合行動のモデリング:視覚言語モデルにおける多人数構成と動的切り替え
• Authors: Peiqi Jia, Haonan Jia, Ziqi Miao, Linkang Du, Yuntao Wang, Zhou Su,
• Abstract要約: 本稿では,マルチモーダル大言語モデル(MLLM)における明示的なパーソナリティ条件付けを提案する。 単一人格誘導、多人格誘導、個性転換を含む体系的な評価枠組みを確立する。 実験により、人格誘導はイメージキャプション性能を向上するが、正確な推論を必要とするタスクではパフォーマンスを損なう可能性があることが示された。
• 参考スコア（独自算出の注目度）: 24.456367163695962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the widespread deployment of Multimodal Large Language Models (MLLMs) in social interaction, understanding and controlling their behavior under complex personality conditions is essential. This paper introduces explicit personality conditioning and establishes a systematic evaluation framework encompassing single-personality induction, multi-personality induction, and personality switching. Experiments show that personality induction improves image captioning performance but can impair performance on tasks requiring precise reasoning, such as visual question answering (VQA). Balancing and residual effects are observed during multi-trait composition and dynamic switching, indicating that model behavior is co-modulated by both previous and current personality constraints. Existing prompt-based personality induction methods show limited transferability to multimodal settings. Our work reveals the dynamic and complex nature of personality modeling in MLLMs and underscores the need for robust, tailored methods for personality induction and evaluation. The code will be released when the paper is accepted.
• Abstract（参考訳）: マルチモーダル大規模言語モデル(MLLM)の社会的相互作用への普及に伴い、複雑な人格条件下での行動の理解と制御が不可欠である。 本稿では、明示的なパーソナリティ条件付けを導入し、シングルパーソナリティ誘導、マルチパーソナリティ誘導、パーソナリティ切り替えを含む体系的な評価枠組みを確立する。 視覚的質問応答(VQA)のような正確な推論を必要とするタスクにおいて、人格誘導はイメージキャプションのパフォーマンスを向上するが、パフォーマンスを損なう可能性があることを示す実験である。 マルチトレート構成と動的切替の間にバランスと残留効果が観察され、モデル行動が前と現在のパーソナリティの制約によって共変調されることが示されている。 既存のプロンプトベースのパーソナリティ誘導手法は、マルチモーダル設定への限定的な転送性を示す。 本研究は、MLLMにおける人格モデリングの動的かつ複雑な性質を明らかにし、人格誘導と評価のための堅牢で調整された方法の必要性を浮き彫りにしている。 コードは、論文が受理されたときに公開される。

関連論文リスト

• Beyond Static Personas: Situational Personality Steering for Large Language Models [52.33369223308941]
  IRIS(Identify-Retrieve-Steer framework for Advanced situational personality steering)を提案する。 本手法は, 状況認識型ニューロン識別, 状況認識型ニューロン検索, 類似性重み付けによるステアリングを含む。 我々は、パーソナリティベンチの枠組みと、包括的状況パーソナリティベンチマークであるSPBenchを実証的に検証した。
  論文  参考訳（メタデータ） (2026-04-15T13:17:36Z)
• Dynamic Personality Adaptation in Large Language Models via State Machines [1.6986898305640261]
  本稿では,動的パーソナリティシミュレーションのためのモデルに依存しないフレームワークを提案する。 私たちのアーキテクチャの一部は,潜伏軸に沿った対話を評価する,連続的な性格評価のためのモジュールパイプラインです。 その結果、システムはユーザの入力にパーソナリティの状態を適応させるだけでなく、ユーザの行動にも影響を及ぼすことが示された。
  論文  参考訳（メタデータ） (2026-02-25T18:05:11Z)
• Structured Personality Control and Adaptation for LLM Agents [11.050618253938126]
  大規模言語モデル(LLM)は、ますますヒトとコンピュータの相互作用(HCI)を形作っている ユング心理学的タイプを用いたLLMパーソナリティをモデル化する枠組みを提案する。 この設計により、エージェントは対話要求に応じて動的に調整しながらニュアンス付き特性を維持することができる。
  論文  参考訳（メタデータ） (2026-01-15T03:15:24Z)
• Personality Editing for Language Models through Adjusting Self-Referential Queries [17.051166122108857]
  PALETTE(Personality Adjustment by LLM SElf-TargeTed queries)は,Large Language Models(LLMs)における人格編集の新しい手法である。 本手法では,心理的構成に根ざした自己参照文を事実知識と類似して扱う調整クエリを導入し,人格関連応答の直接編集を可能にする。 PALETTEは微調整とは異なり、パーソナリティ次元を横断するパーソナリティアライメントの大幅な改善を達成するために、12の編集サンプルしか必要としない。
  論文  参考訳（メタデータ） (2025-02-17T13:28:14Z)
• 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。