arXiv cs.CL· Harshit Gupta, Shunichi Ishihara·· 10 小时前AI 评分31
大语言模型能多好地模仿个人作者？六款 LLM 作者身份模仿能力对比评估
How Well Can Large Language Models Impersonate Individual Authors? A Comparative Evaluation
AI 导读
研究对比了 Gemini 3 Pro、Claude Opus、GPT 5.2、GPT 5.2 Pro、DeepSeek 3.2 和 Grok 4.1 Fast 六款 LLM 模仿个人作者文风的能力，多数模型表现吃力，Gemini 3 Pro 表面模仿效果最强。
正文 · AI 翻译
摘要：本研究考察了六种广泛使用的大语言模型（LLM）的作者身份冒用能力：Gemini 3 Pro、Claude Opus、GPT 5.2、GPT 5.2 Pro、DeepSeek 3.2 和 Grok 4.1 Fast。评估使用经过挑选的简短产品评论文本，以确保个体写作风格在作者内部具有高度一致性。研究设计了两种上下文提示：一种是最少指令的简单提示，另一种是包含明确文体计量学模仿指导的复杂提示。作者身份模仿通过基于余弦距离的到训练集距离指标进行评估，并辅以嵌入分布的视觉分析。结果表明，对大多数 LLM 而言，作者身份冒用仍然具有挑战性，其中 Gemini 3 Pro 表现出最强的表面模仿性能。然而，随后的重叠分析显示，Gemini 3 Pro 大量复制并重复使用了训练文本中的句子和短语，其程度远超人类作者中观察到的水平。后续因子分析表明，训练集一致性是跨模型模仿成功的最稳健预测因子，而作者独特性未能作为可靠预测因子得到普遍验证。全局嵌入可视化进一步揭示了一致的宏观层面模式：对大多数模型而言，生成的文本占据嵌入空间中与相应人类训练聚类基本分离的区域。这表明向目标作者风格的收敛有限，并提示存在模型特定的词汇和短语偏好。这些发现凸显了区分真正风格模仿与直接文本复用的重要性，并对涉及潜在 LLM 赋能冒用的文本证据的法证分析具有启示意义。
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.05771 [cs.CL] |
| （或 arXiv:2611.05771v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.05771 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Shunichi Ishihara [查看电子邮件]
[v1]
2026年11月4日星期三 00:22:54 UTC（7,659 KB）
来源：arXiv cs.CL · arxiv.org