論文解説: Persona Dosing — LLMの性格の「強さ」を点数で指定する活性化ステアリング

活性化ステアリングの係数には「どれだけ性格が出るか」という意味がない。PersonaDoseは説明文で動く共有コントローラを学習し、後から強さと点数の対応表を測って「迎合度60で」と頼める形にした。

Persona Dosing: Calibrated Activation Steering for Graded Trait Control

この論文は何をしたのか

解説する論文は "Persona Dosing: Calibrated Activation Steering for Graded Trait Control"（Zehao Jin ほか、arXiv:2609.36388、2026年9月28日）です。

abstract の要約です。活性化ステアリングの係数は介入の強さを決めますが、「性格をこのくらい出して」と頼むには行動の側の目盛りが要ります。著者らはこれを persona dosing と呼び、「特性の説明文」と「求める平均の強さ」でモデルを操作する問題として扱います。PersonaDose は、説明文で条件付けされる共有コントローラ（FLAS）をペルソナの応答で特化学習させ、そのフロー時間を実測の特性スコアに合わせて較正します。学習データは目標の強さと対になっていません。Llama-3.1-8B・Qwen3-8B・Gemma-3-4B で、一貫性75の下限のもと中核特性の表出を CAA よりそれぞれ 33.2・18.3・17.8 点高めました。較正で選んだ設定は未使用の質問でも優位を保ちますが、一貫性の下限はすべての特性では保てませんでした。7特性では、28件中の届く14〜22件で平均の狙い誤差は4.7〜6.2点でした。

比喩と前提: 目盛りのない薬

「効き目を半分で」と処方したいのに、瓶には「1さじ」としか書いておらず、1さじの効き方は体質で違う。医療ではこういうとき、量を変えて効き目を測った用量反応曲線を作り、それを逆にたどって量を決めます。題名の "dosing" はこの発想です。

LLM の性格を変える活性化ステアリングでは、生成中の隠れ状態（層を流れる数千次元のベクトル）に性格の方向を足します。比較対象の CAA は、性格を出す指示と出さない指示での平均活性化の差を方向 $v$ にします（付録A.3）。

$$h' = h + \alpha v$$

言い換えると、元の隠れ状態 $h$ に方向 $v$ を $\alpha$ 倍して足したものが新しい状態 $h'$ です。$\alpha$ が「1さじ」ですが、論文が §1 で指摘するとおり、同じ係数でも特性やモデルで出る強さは変わります。

問題設定: 届く範囲と狙いの精度

§3.1 は問題を2本の曲線で定義します。

$c$ は特性の説明文、$q$ は質問、$y$ は応答、$u$ は強さの設定です。$J_c$ は特性の出方を、$J_{\mathrm{coh}}$ は文章として通じるかを、それぞれ0〜100点で採点します。つまり、強さ $u$ のとき特性が平均何点出て、文章が平均何点まともか、を表す曲線です。

ここから評価軸が2つ出ます。一貫性を下限 $\tau=75$（Persona Vectors の基準）以上に保ったまま特性をどこまで出せるかという届く範囲と、「60点で」と頼んだとき実際に何点出るかという狙いの精度です。論文は全体を通してこの2つを分けて報告します。