聊天是大模型现在最主要的应用形式。除了ChatGPT，更有像Character.ai、Glow这种，可以自定义聊天对象、或者聊天场景的。
这两个应用，我都用过。
各有特色，模型的能力都很强，但总感觉虚拟人物多了刻板，少了灵动。
我一直在思考这个方向的应用——思考心理学和大模型如何结合，确切的说，心理学的模型，如何赋予大语言模型以人格
比如，在应用上，我可以根据需要，选择具备不同人格的角色。
那么问题来了：
大模型有人格特征么？
或者，如何让大模型表现出稳定的人格特征呢？
《
Personality Traits in Large Language Models
》
这篇文章做了有趣的、有用的研究。
文章的主要发现是：
-
在特定提示配置下，某些LLMs输出的模拟个性是可靠和有效的；
-
LLM模拟个性的可靠性
和有效性证据对于更大和经过指导微调的模型更为强大；
-
LLM输出中的个性可以沿着所需的维度进行塑造，以模仿特定的个性特征。
这篇文章，算是给我们这方面的工作一个确定的信号——这样干是可以的，大模型越大效果越好，越是经过相关的微调效果越好。
如果这个是确定的，其实对“对
齐
”也是很有帮助。
大语言模型在训练的时候，包括了众多的语料，我们不希望大模型返回一些“有害”的信息，那如果我们能在人格，能在心理上约束大模型，使得大模型倾向做一个善良的人，也是一件有意思的事情。
简单说一下这篇文章的内容，基本上我们这类应用的思路也就明晰了。
先简单介绍下大五模型——人格的 5 个维度，这是日常接触比较多的心理学模型了：
1. 外向性 EXT
2. 随和性 AGR
3. 责任感 CON
4. 神经质 NEU
5. 开放性 OPE
相应的，我们也有量表可以进行大五的测试。
不同的大五模型维度稍有差别，量表的版本也比较多，但总的逻辑差别不大。
例如，4 有的统计的是 情绪稳定性。
心理测试的方法
针对每个一量表的题目，构造相应的Prompt，Prompt 分为几个部分：
1. Item Preamble，类似一个指令（黄色）
2. Persona 人物的描述（红色）
3. Item 题目本身（蓝色）
4. Item Postamble 也是指令部分，列出选项，要求模型进行打分（粉色）
详细见这个图：
这里其实包括了所有的窍门
——我们通过这样的方法，就可以让 LLMs 具备人格。
这里的关键是 Persona部分——人物的描述。
我们是否可以通过自然语言对人格进行准确的描述呢？
LLMs 可以理解语言，如果人格可以用语言描述，则 LLMs 也就懂了人格，进一步也就可以扮演。
论文里采用了与大五人格特征模型相关的 70 个双极形容词，这些形容词对人工映射到武大人格和 30 个次级人格特征。
大概是这个样子：
同时把这些形容词，进一步分类
1. extremely {low adjective}
2. very {low adjective}
3. {low adjective}
4. a bit {low adjective}
5. neither {low adjective} nor {high adjective}
6. a bit {high adjective}
7. {high adjective}
8. very {high adjective}
9. extremely {high adjective}
例如，一个略低于平均水平（即4/9级）外向性的示例Prompt，使用五个针对外向性的负面形容词，如下所示：
For the following task, respond in a way that matches this
