arXiv cs.CL· Haokai Zhao, Jie Gao, Yunze Xiao, Xintao Wang, Weihao Xuan, Aditya Joshi, Mark Dredze, Jen-tse Huang·· 12 小时前AI 评分38
研究提出 A-B-D 方法，从行为轨迹推断 LLM 智能体性格特质
On the Behavioral Traits of LLM Agents
AI 导读
研究者提出 A-B-D 方法，从 345,667 条真实轨迹中自下而上推断 LLM 智能体的行为特质，覆盖 80 个模型、12 项任务和 50 个 harness。经筛选的 79 个特征经因子分析得出 6 个稳定的模型可归因因子，其中 2 个功能性、4 个语言性。这些因子与模型自报的 Big Five 分数仅弱相关，如外向性与 energetic 的 r = 0.07，揭示出“知行差距”。
正文 · AI 翻译
摘要：用户越来越多地将不同的 AI 智能体描述为各不相同的同事。AI 人格研究旨在通过将类人的“特质”赋予智能体来量化此类印象。然而，现有测量方法存在不足：模型的自我报告（S 数据）与其实际行为存在偏差，而来自 LLM 评判者的信息提供者评分（I 数据）在规模化上成本高昂，且覆盖的日常场景很少。在本文中，我们提出 A-B-D，从行为数据（B 数据）自下而上推断特质，即智能体如何作用于其环境并与用户交流，这些记录在现有轨迹中。从涵盖 80 个模型、12 项任务和 50 个运行框架的 345,667 条真实世界轨迹中，我们提取了 318 个候选特征，这些特征既捕捉智能体在每一步采取的行动（功能性），也捕捉伴随这些行动的语言（语言性）。我们仅保留在实例层面具有稳定性、跨任务一致性和模型可区分性的特征。对剩余 79 个特征的因子分析揭示了六个稳定、可归因于模型的因子，其中两个功能性、四个语言性。例如，Claude-Sonnet-4.6 和 Kimi-K3 表现出最强的计划性，而 GPT-5.5 和 GPT-5.6 的活力最低。此外，我们量化了真实环境中的“知—行差距”：这些因子与自我报告的大五人格得分仅呈弱相关，即使是外向性与活力这类概念上匹配的配对也是如此（r = 0.07，p = 0.58）。我们的工作为理解 AI 人格提供了新视角，对用户、开发者以及计算机科学和社会科学领域的研究者都具有启示意义。
| 评论： | 预印本；工作进展中 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2609.32776 [cs.CL] |
| （或 arXiv:2609.32776v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.32776 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jen-Tse Huang [查看电子邮件]
[v1]
2026 年 9 月 26 日星期六 16:51:52 UTC（3,939 KB）
[v2]
2026 年 10 月 22 日星期四 14:01:08 UTC（4,173 KB）
来源：arXiv cs.CL · arxiv.org