論文の概要: When Personality Meets Quantization: A Layer-wise MBTI Analysis of Quantized LLMs

• arxiv url: http://arxiv.org/abs/2608.25977v1
• Date: Wed, 26 Aug 2026 16:32:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.910443
• Title: When Personality Meets Quantization: A Layer-wise MBTI Analysis of Quantized LLMs
• Title（参考訳）: 量子化に直面するパーソナリティ:量子化LDMの階層的MBTI分析
• Abstract要約: パーソナリティは、ユーザの信頼、エンゲージメント、感情的な経験を形作るため、大きな言語モデル(LLM)においてますます重要である。 本稿では,主要な4ビット法 (GPTQ, AWQ) や極端な2ビット設定 (AQLM 変種) など,複数の精度でオープンソース LLM の体系的MBTI 解析を行う。 LLMの性格は静的な性質ではなく、量子化、プロンプト、復号化に敏感な創発的で層に依存した決定プロセスである。
• 参考スコア（独自算出の注目度）: 20.43432863009911
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personality is increasingly important in large language models (LLMs), as it shapes users' trust, engagement, and emotional experiences. While the Myers--Briggs Type Indicator (MBTI) has emerged as a common framework for assessing LLMs' personality, existing studies focus primarily on full-precision models and evaluate only final outputs. They overlook the widespread deployment of quantized LLMs requiring low memory footprints, whose personality traits remain underexplored. In this work, we present a systematic MBTI analysis of open-source LLMs across multiple precisions, including mainstream 4-bit methods (GPTQ, AWQ) and extreme 2-bit settings (AQLM variants). Beyond output-level evaluation, we examine how personality emerges across layers through option-level entropy and confidence-gap dynamics, and introduce Uncertainty-Amplified Layer Decoding (UALD) to study decoding-induced personality drift at inference time. Our results reveal a key insight: LLMs' personality is not a static property, but an emergent, layer-dependent decision process sensitive to quantization, prompting, and decoding. Specifically, we find that (1) ENFJ remains dominant across model families and precisions; (2) 4-bit quantization largely preserves coarse personality structure, while 2-bit quantization disrupts fine-grained prompt consistency and cross-precision agreement; (3) personality decisions emerges in upper layers, following substantial ambiguity in early layers; and (4) inference decoding can shift personality, while personality-aligned conditioning improves robustness. These findings provide a new perspective on the behavioral reliability of quantized LLMs and highlight the importance of considering internal dynamics and inference strategies in personality-sensitive chatbot applications.
• Abstract（参考訳）: パーソナリティは、ユーザの信頼、エンゲージメント、感情的な経験を形作るため、大きな言語モデル(LLM)においてますます重要である。 Myers-Briggs Type Indicator (MBTI) は LLM の性格を評価するための共通フレームワークとして登場したが、既存の研究は主に完全精度モデルに焦点を当て、最終的な出力のみを評価する。 彼らは、メモリフットプリントの少ない量子化LSMの広範な展開を見落としている。 本研究では,主要な4ビット法 (GPTQ, AWQ) や極端な2ビット設定 (AQLM 変種) など,複数の精度でオープンソース LLM の体系的MBTI 解析を行う。 出力レベルの評価以外にも,オプションレベルのエントロピーと信頼ギャップのダイナミクスを通じて,階層間のパーソナリティがどのように出現するかを検討するとともに,不確実性増幅層デコーディング(UALD)を導入して,推論時にデコードによって引き起こされるパーソナリティドリフトを研究する。 LLMの性格は静的な性質ではなく、量子化、プロンプト、復号化に敏感な創発的で層に依存した決定プロセスである。 具体的には,(1) ENFJ はモデルファミリや精度で支配的であり,(2) 4ビット量子化は粗いパーソナリティ構造を保ち,(2) 2ビット量子化はきめ細かなパーソナリティと相互精度の一致を阻害し,(3) 初期層の曖昧さに追随して上層にパーソナリティ決定が出現し,(4) 推論復号化はパーソナリティを変化させる。 これらの知見は、量子化LDMの行動信頼性に関する新たな視点を提供し、パーソナリティに敏感なチャットボットアプリケーションにおける内部ダイナミクスと推論戦略を検討することの重要性を強調している。

関連論文リスト

• Reinforcement Learning with Metacognitive Feedback Elicits Faithful Uncertainty Expression in LLMs [60.80435138270317]
  本稿では,メタ認知的フィードバックによる強化学習を忠実な校正問題に適用する。 実験により、RLMFは様々なタスクにおいて汎用的で最先端のFCを実現することが示された。 RLMFは標準のRLを最大63%上回り、モデルの性能限界を評価し表現する能力を高めている。
  論文  参考訳（メタデータ） (2026-06-30T17:56:01Z)
• PTCBENCH: Benchmarking Contextual Stability of Personality Traits in LLM Systems [30.449659477704543]
  制御状況下での大規模言語モデル(LLM)の一貫性を定量化するベンチマークであるPTCBENCHを紹介する。 PTCBENCHは、様々な場所のコンテキストやライフイベントにまたがる12の異なる外部条件をモデル化し、NEO Five-Factor Inventoryを用いてその性格を厳格に評価する。 39,240人の性格特性記録について検討したところ、ある外部シナリオがLSMの顕著な性格変化を誘発し、その推論能力を変化させることが判明した。
  論文  参考訳（メタデータ） (2026-01-12T18:15:50Z)
• Truly Assessing Fluid Intelligence of Large Language Models through Dynamic Reasoning Evaluation [106.17986469245302]
  大きな言語モデル(LLM)は、人間のような思考を反映する印象的な推論能力を示している。 既存の推論ベンチマークでは、ドメイン固有の知識(結晶化インテリジェンス)に焦点を当てるか、解釈可能性に欠ける。 階層的認知フレームワークを基盤とした動的推論評価ベンチマークであるDRE-Benchを提案する。
  論文  参考訳（メタデータ） (2025-06-03T09:01:08Z)
• A Comparative Study of Large Language Models and Human Personality Traits [6.354326674890978]
  言語モデル(LLM)は、言語理解と生成において人間のような能力を示す。 本研究では, LLMが人格的特徴を示すか, これらの特徴が人格とどのように比較されるかを検討する。
  論文  参考訳（メタデータ） (2025-05-01T15:10:15Z)
• Probing then Editing Response Personality of Large Language Models [40.99117085818623]
  大きな言語モデル(LLM)は、一貫した性格特性をシミュレートする応答を生成する有望な能力を示している。 応答するパーソナリティをシミュレートする上でのLCMのレイヤーワイズ能力を検討するための層ワイズ探索フレームワークを提案する。 推論中にLLMによって表現される性格を階層的に編集する手法を提案する。
  論文  参考訳（メタデータ） (2025-04-14T13:46:35Z)
• Neuron-based Personality Trait Induction in Large Language Models [115.08894603023712]
  大規模言語モデル (LLM) は、様々な性格特性をシミュレートする能力が増している。 LLMにおけるパーソナリティ特性誘導のためのニューロンに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-16T07:47:45Z)
• Evaluating Large Language Models with Psychometrics [59.821829073478376]
  本稿では,Large Language Models (LLMs) の心理的構造を定量化するための総合的ベンチマークを提案する。 私たちの研究は、13のデータセットで評価された5つの重要な心理的構成要素、人格、価値観、感情的知性、心の理論、自己効力性を特定します。 LLMの自己報告特性と実際のシナリオにおける応答パターンとの間に大きな相違が発見され,その挙動の複雑さが明らかになった。
  論文  参考訳（メタデータ） (2024-06-25T16:09:08Z)
• Do LLMs Have Distinct and Consistent Personality? TRAIT: Personality Testset designed for LLMs with Psychometrics [29.325576963215163]
  大規模言語モデル(LLM)は会話エージェントとして様々な領域に適応している。 LLMのパーソナリティを評価するために設計された8Kのマルチチョイス質問からなる新しいベンチマークTRAITを紹介する。 LLMは独特で一貫した性格を示し、トレーニングデータの影響を強く受けている。
  論文  参考訳（メタデータ） (2024-06-20T19:50:56Z)
• PsyCoT: Psychological Questionnaire as Powerful Chain-of-Thought for Personality Detection [50.66968526809069]
  PsyCoTと呼ばれる新しい人格検出手法を提案する。これは、個人がマルチターン対話方式で心理的質問を完遂する方法を模倣するものである。 実験の結果,PsyCoTは人格検出におけるGPT-3.5の性能とロバスト性を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2023-10-31T08:23:33Z)
• Personality Traits in Large Language Models [42.31355340867784]
  コミュニケーションの有効性を決定する重要な要因は人格である。 本稿では,広く使用されている大規模言語モデル上でのパーソナリティテストの管理と検証のための,新しい,包括的・包括的心理学的・信頼性の高い方法論を提案する。 本稿では,計測・形成手法の適用と倫理的意味,特に責任あるAIについて論じる。
  論文  参考訳（メタデータ） (2023-07-01T00:58:51Z)
• Revisiting the Reliability of Psychological Scales on Large Language Models [62.57981196992073]
  本研究の目的は,大規模言語モデルにパーソナリティアセスメントを適用することの信頼性を明らかにすることである。 GPT-3.5、GPT-4、Gemini-Pro、LLaMA-3.1などのモデル毎の2,500設定の分析により、様々なLCMがビッグファイブインベントリに応答して一貫性を示すことが明らかになった。
  論文  参考訳（メタデータ） (2023-05-31T15:03:28Z)

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。