Your LLM, Your Style: Behavioral Mode Axes for LLM Behavioral Control

📄 arXiv: 2608.10703v1 📥 PDF

作者: Haoze Liu, Run Liu, Haiying Xu, Jiahui Han, Siyuan Fang, Siyu Yan, Huiqi Deng, Guanchu Wang, Na Zou

分类: cs.LG, cs.AI, cs.CL, cs.HC

发布日期: 2026-08-11

备注: 33 pages, 8 figures. Code and data: https://github.com/lhz191/LLM-Behavioral-Personality

🔗 代码/项目: GITHUB

💡 一句话要点

提出行为模式轴以控制大型语言模型的行为风格

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 行为控制 个性研究 心理测量 行为模式轴 人机交互 智能系统

📋 核心要点

  1. 现有的LLM个性研究依赖自我报告问卷，导致结果受表面引导选择影响，缺乏对模型行为的具体理解。
  2. 提出情境行为数据框架，构建3200个对比行为场景，利用心理测量特征研究和控制LLM的行为个性。
  3. 实验结果显示，LLM具有稳定的行为特征，且行为模式可以通过行为模式轴进行有效控制，提供更清晰的行为风格管理。

📝 摘要（中文）

大型语言模型（LLMs）在交互环境中越来越多地被使用，其行为风格直接影响用户体验、安全性和后续决策。现有的LLM个性研究主要依赖于第一人称的自我报告问卷，导致结果对表面引导选择敏感且缺乏具体模型行为的基础。本文提出了一种情境行为数据（B-data）框架，用于研究和控制LLM的行为个性。构建了3200个对比行为场景，涵盖20种行为模式和四种提示注册，基于经过验证的心理测量特征。研究发现，LLM表现出稳定且特定于模型的行为特征，并且在第一人称决策、建议和任务执行中表现出注册依赖性变化。通过行为模式轴（BMAs）控制这些行为模式，结果表明LLM的个性倾向应被理解为可测量和可控的行为模式，而非抽象的自我报告特征。

🔬 方法详解

问题定义：本文旨在解决现有LLM个性研究中对模型行为理解不足的问题，现有方法过于依赖自我报告，缺乏实证基础。

核心思路：提出情境行为数据框架，通过构建对比行为场景，深入分析和控制LLM的行为个性，强调行为模式的可测量性和可控性。

技术框架：整体框架包括数据收集、对比行为场景构建、行为模式分析和行为模式轴的生成，主要模块涵盖行为数据收集、模型训练和行为控制。

关键创新：引入行为模式轴（BMAs），通过对比行为轨迹提取激活空间方向，提供比响应导向BMAs更稳定的行为控制方式，减少特征漂移。

关键设计：使用3200个对比场景，结合BFI-2、DOSPERT和HEXACO等心理测量特征，设计了多种提示注册和行为模式，确保实验的有效性和可靠性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，LLM在不同的行为模式下展现出稳定的个性特征，且通过行为模式轴的控制，能够有效管理行为风格。与传统方法相比，使用思维导向的BMAs能够更准确地捕捉行为机制，提供更清晰的控制效果。

🎯 应用场景

该研究的潜在应用领域包括人机交互、智能客服和个性化推荐系统等。通过更好地控制LLM的行为风格，可以提升用户体验，增强系统的安全性和决策支持能力，具有重要的实际价值和未来影响。

📄 摘要（原文）

Large language models (LLMs) increasingly act in interactive settings where their behavioral styles affect user experience, safety, and downstream decision making. Existing LLM personality studies largely rely on self-report questionnaires administered in first-person settings, making the resulting profiles sensitive to surface elicitation choices and poorly grounded in concrete model behavior. In this work, we introduce a situated behavioral-data (B-data) framework for studying and controlling LLM behavioral personality. We construct 3,200 contrastive behavioral scenarios spanning 20 behavioral patterns and four prompt registers, grounded in validated psychometric facets such as BFI-2, DOSPERT, and HEXACO. Using this framework, we find that LLMs exhibit stable and model-specific behavioral profiles, while also revealing register-dependent shifts across first-person decisions, advice-giving, and task execution. We then show that these behavioral patterns can be controlled through Behavioral Mode Axes (BMAs), activation-space directions derived from contrastive behavioral traces. Compared with response-derived BMAs, which are more prone to trait drift, thought-derived BMAs more faithfully capture the intended behavioral mechanism and provide cleaner control over situated behavioral styles. Our results suggest that LLM personality-like tendencies are better understood not as abstract self-report traits, but as measurable and controllable behavioral modes grounded in concrete interaction contexts. Our code and data are available at https://github.com/lhz191/LLM-Behavioral-Personality.