本研究题为《DPN-LE：大语言模型的双重人格神经元定位与编辑》（DPN-LE: Dual Personality Neuron Localization and Editing for Large Language Models），发表于计算语言学协会2026年年会（findings of the association for computational linguistics: acl 2026）。第一作者为东南大学的郑立凡（Lifan Zheng），通讯作者为郑立凡与清华大学、中国科学院大学的田宇（Yu Tian）。其他作者分别来自上海交通大学、华东师范大学、中关村学院、浙江工业大学、快手科技、东北大学和南京航空航天大学。该研究聚焦于大语言模型（Large Language Models, LLMs）的人格表征机制，提出了一种全新且高效的神经元编辑方法。
随着大语言模型在社交模拟、角色扮演等领域的广泛应用，理解和控制其内在“人格”特质（personality traits）成为关键研究课题。现有的人格编辑方法主要分为两类：一是基于提示词工程（prompt-based methods）的方法，通过修改系统指令来诱导特定人格，但其稳定性和持续性较差；二是基于神经元编辑（neuron-editing methods）的方法，通过在大语言模型内部定位并修改相关神经元来改变人格表征，例如当前最先进的NPTI方法。然而，此类方法通常需要修改数以万计的神经元，这引发了严重的性能退化（performance degradation），特别是在数学推理和知识问答等通用能力上。
本研究旨在回答一个根本性问题：所有被修改的神经元都与人格表征直接相关吗？通过初步实验，团队发现：(1) 现有神经元编辑方法虽能改变人格，但会显著降低模型的整体性能；(2) 神经元具有多功能性（multifunctionality），同时关联着人格特质和通用知识；(3) 在表征空间（representation space）中，相反的人格特质（如外向与内向）呈现出清晰且相互排斥（mutually exclusive）的激活模式。基于这些发现，本研究的目标是开发一种能够精准定位人格特异性神经元，并以最少干预实现稳定人格控制，同时最大限度地保留模型通用能力的新方法。
为达成上述目标，作者提出了DPN-LE（Dual Personality Neuron Localization and Editing，双重人格神经元定位与编辑）框架，该框架主要包含三个无需额外训练（training-free）的阶段。
1. 操纵向量构建（Steering Vector Construction） 研究选取LLaMA-3-8B-Instruct和Qwen2.5-7B-Instruct作为实验对象。针对大五人格（Big Five）的每一种特质（如神经质），研究者从PersonalityBench数据集中收集了1000对对比样本（contrastive sample pairs），分别对应高表达（high-trait）和低表达（low-trait）。在模型的每个Transformer层（layer）中，研究团队提取了最后一个token位置的MLP隐藏状态。操纵向量（steering vector）被定义为高表达样本与低表达样本在MLP层激活值的平均差值。这个向量在数学上指明了从低人格表达到高人格表达的“方向”。
2. 双向神经元选择（Dual-Direction Neuron Selection） 这是本研究的核心创新点。为了过滤掉冗余的、非人格特异性的神经元，DPN-LE实施了一种双重标准过滤（dual-criterion filtering）策略。首先，基于效应量（Cohen’s d）阈值，计算每一层中每个神经元的标准化平均差值，以筛选出在高、低人格表达组之间具有统计学意义上显著差异的神经元。其次，基于激活强度（Activation Magnitude）阈值，通过全局分位数阈值筛选出操纵向量幅值最大的神经元，仅保留在每个层中响应最强烈的前约0.5%的神经元。只有在两个标准上同时满足的神经元，才会被识别为人格特异性神经元。这种并行过滤确保了被选中的神经元既有统计显著性又有强大的响应强度，从而排除了那些或因随机变异、或与通用功能相关的神经元。
3. 稀疏干预（Sparse Intervention） 在推理（inference）时，DPN-LE仅对筛选出的极少部分神经元进行线性干预，而不修改模型原始权重。研究提出了两种干预策略：均匀干预（DPN-LE）对所有选中的神经元施加等强度的干预，通过添加或减去操纵向量来增强或抑制人格特质。加权干预（DPN-LEW）则根据每个神经元的效应量大小为其分配一个在[0.75, 1.0]区间内的权重，使得对人格特异性更强的神经元施加更大的干预。
数据分析和评估流程涵盖了自动评估、通用能力测试和泛化能力评估。人格表达效果通过PersonalityBench数据集进行自动评分，以1-10分均值衡量人格强度，以方差衡量控制稳定性；通用能力影响则通过GSM8K（数学推理，准确率）、HotpotQA（多跳问答，精确匹配EM和F1）和TriviaQA（事实知识检索，EM和F1）进行衡量；泛化能力则通过IPIP-NEO-300人格问卷评估模型与真实个体的对齐程度。
1. 人格控制效果与效率对比 实验结果显示，DPN-LE在仅干预约0.5%神经元（每层约70个，总计约1000-1500个）的条件下，达到了与修改数万个神经元的NPTI方法相媲美的人格控制效果。在LLaMA-3-8B-Instruct上，DPN-LE的平均人格特质得分为9.11，接近NPTI的9.43，而DPN-LEW在神经质（neuroticism）特质上更是取得了9.95的高分和0.05的极低方差，展现了精准控制的潜力。在需要修改的神经元数量上，DPN-LE相较于NPTI实现了平均96.7%的巨幅缩减。
2. 通用能力的卓越保持 这是本研究最突出的优势。在GSM8K基准测试中，NPTI方法在高、低人格表达方向上分别导致准确率平均下降16.00%和40.79%，而DPN-LEW仅分别下降7.08%和5.93%。特别是在外向性低表达（extraversion-low）和神经质高表达（neuroticism-high）等对推理能力影响较大的组合中，DPN-LEW的下限（-17.89%）仍远优于NPTI的平均水平。在HotpotQA和TriviaQA数据集上，DPN-LE和DPN-LEW的性能退化也显著小于NPTI，证明了稀疏干预策略在保护模型通用推理和知识问答能力方面的优越性。
3. 消融实验与案例分析 消融研究（ablation study）量化揭示了关键超参数的影响。干预强度（γ）在[0.8, 1.0]区间内是最佳权衡范围；分位数阈值分析则证实，选择过少的神经元（如0.1%）会导致干预不足，而选择过多（如3.0%）则会导致语言流畅度下降，且不能带来显著的人格控制增益，从而验证了“极少数高度特异性神经元”的核心假设。案例分析直观地展示了DPN-LE在同一种工作冲突场景下，通过分别施加宜人性（agreeableness）的高低表达干预，可以有效地生成从“冷淡、不耐烦”到“富有同理心、寻求合作”的截然不同的回复，体现了精细的行为调节能力。
本研究得出以下结论：DPN-LE作为一种训练无关的方法，利用相反人格特质在表征空间中的互斥模式，成功地实现了对人格特异性神经元的精准定位。该方法在仅干预0.5%神经元的情况下，即可实现有效且稳定的人格控制，同时大幅降低了对模型通用能力的损害。
该研究的科学价值在于，它首次系统量化并揭示了大语言模型中人格相关神经元的冗余性和多功能性，并提出了“效应量+激活强度”的双标准筛选框架，为理解大语言模型内部表征机制提供了新的视角。其应用价值在于，这种高效、低破坏性的编辑方法为构建更加灵活、可控、安全的大语言模型应用（如定制的虚拟角色、无能力退化的心理分析工具）提供了坚实的技术支持。
本研究亮点突出：发现层面，首次揭示了人格表征中神经元的互斥模式，并据此开展工作；方法层面，创新性地提出了结合统计学效应量和工程化强度阈值甄别机制的双向神经元选择策略，实现了超过96%的参数缩减；效果层面，在与最先进方法保持竞争力人格控制的同时，显著保护了模型的通用推理能力，实现了更好的性能权衡。
同时，作者也坦诚地指出了研究的局限性。例如，DPN-LE对人户外向性低表达和神经质高表达的干预仍会导致GSM8K性能的相对明显下降，表明这些与认知、情感处理紧密相关的特质与推理能力的神经基质存在重叠。此外，操纵向量的质量依赖于对比样本的代表性，且目前只探索了单一特质的操控，多特质组合控制以及更高级的个人精细对齐（如IPIP-NEO-300上的表现弱于部分基线）仍是未来的研究方向。