Исследование, анализирующее симуляцию GPT-4o американских и китайско-американских личностей, показывает, что выражение личности LLM состоит из двух разделимых компонентов: агрегированных признаков и геометрических признаков. Исследователи построили матрицы внутриэкземплярной корреляции на основе ответов IPIP-50 для анализа геометрии на многообразиях SPD при манипулировании порядком вопросов.

  • Агрегированные признаки, представленные баллами по «Большой пятерке», снижаются на 21% при рандомизации, но остаются фрейм-устойчивыми.
  • Геометрические признаки коллапсируют на 42% при несовпадении фреймов, но существенно восстанавливаются до 84% при общих фреймах, превосходя агрегированные признаки, которые достигают лишь 76%.

Эти результаты устанавливают двухприродную структуру для личностей LLM, бросая вызов статическим представлениям о чертах и требуя оценки с учетом фрейма.