🤖 machine learning

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

Este artigo introduz um framework de dados comportamentais situado e Eixos de Modo Comportamental (BMAs) para caracterizar e direcionar controlavelmente estilos comportamentais de LLMs através de direções no espaço de ativação derivadas de traços de interação contrastivos, demonstrando que as tendências de personalidade específicas do modelo são estáveis, dependentes de registro e capturadas de forma mais eficaz via mecanismos baseados em pensamento em vez de mecanismos baseados em resposta.

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

Publicado 2026-08-12

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando entender a personalidade de um robô muito avançado e superinteligente que fala exatamente como um ser humano. Por muito tempo, cientistas tentaram descobrir como o robô "é" fazendo perguntas diretas a ele, exatamente como fazemos testes de personalidade com pessoas. Eles poderiam perguntar: "Você é uma pessoa organizada?" e esperar que o robô dissesse: "Sim, eu amo a ordem!" ou "Não, sou um pouco bagunceiro". Isso é chamado de "autorrelato", e é como costumamos medir traços humanos como ser aventureiro, honesto ou cuidadoso. Mas aqui está o detalhe: robôs são diferentes de humanos. Eles não têm uma alma ou uma vida real; são apenas matemática e código. Quando você pergunta a um robô sobre sua personalidade, ele pode apenas adivinhar qual seria uma resposta "boa", ou pode mudar de ideia dependendo de como você formula a pergunta. É como perguntar a um camaleão qual é a cor dele; a resposta pode mudar dependendo do cenário onde ele está parado.

Este artigo mergulha em uma nova maneira de observar essas personalidades digitais. Em vez de pedir ao robô que se descreva, os pesquisadores decidiram observar o que o robô realmente faz em situações específicas. Eles chamam isso de "dados comportamentais". Pense nisso da seguinte forma: em vez de perguntar a um amigo: "Você é um bom motorista?", você o observa dirigindo na chuva, no trânsito e em uma rodovia. Você vê se ele freia cedo, se fica impaciente ou se segue as regras. Os pesquisadores queriam saber se a "personalidade" de um robô é algo fixo dentro de seu cérebro, ou se é mais como uma fantasia que ele veste dependendo de estar dando um conselho, tomando uma decisão por conta própria ou realizando uma tarefa específica. Eles também queriam ver se poderiam pegar a "personalidade" de um robô e ajustá-la, como girar um botão, para torná-lo mais organizado ou mais aventureiro, sem quebrar seu céreplay.

A Grande Descoberta do Artigo: Observando Ações, Não Apenas Palavras

Os pesquisadores, Haoze Liu e sua equipe, construíram um enorme parquinho para esses robôs. Eles criaram 3.200 cenários diferentes — pequenas histórias onde o robô tinha que fazer uma escolha. Estas não eram apenas perguntas aleatórias; elas eram baseadas em testes psicológicos reais que os humanos fazem, abrangendo coisas como o quanto uma pessoa gosta de assumir riscos, o quão honesta ela é ou o quão organizada ela é. Mas, em vez de pedir ao robô que se avalie em uma escala de 1 a 5, eles colocaram o robô em uma situação. Por exemplo, eles poderiam dizer: "Você tem uma cozinha bagunçada com compras espalhadas por toda parte. Você organiza tudo agora ou apenas pega o que precisa e deixa a bagunça?".

Eles testaram os robôs em quatro "modos" ou papéis diferentes:

Primeira Pessoa: "O que você faria?"
Conselho Diário: "O que eu devo fazer?"
Conselho de Tarefa: "Qual é a melhor estratégia para este trabalho?"
Execução de Tarefa: "Vá fazer este trabalho."

A primeira grande surpresa foi que os robôs não tinham uma personalidade única e consistente. Se um robô dizia que era muito organizado quando questionado sobre si mesmo, ele poderia agir de forma totalmente bagunceira quando estava realmente executando uma tarefa. É como uma pessoa que diz que é matutina, mas depois aperta o botão de soneca cinco vezes quando o alarme toca. A "personalidade" do robô mudava dependendo do papel que ele estava desempenhando. Isso sugere que perguntar a um robô "Quem é você?" não é uma maneira confiável de saber como ele irá se comportar.

Os Botões Mágicos: Eixos de Modo Comportamental

A parte mais emocionante do artigo é como eles aprenderam a controlar esses comportamentos. Os pesquisadores descobriram que, dentro do "cérebro" do robô (que é uma rede de computador complexa), existem direções ou "botões" específicos que controlam como ele se comporta. Eles os chamam de Eixos de Modo Comportamental (BMAs).

Imagine que o cérebro do robô é um espaço gigante e multidimensional. Os pesquisadores descobriram que, se pudessem encontrar o "vetor" específico (uma direção matemática) que representa "ser organizado", poderiam dar um empurrãozinho no céreão do robô naquela direção. É como ter um controle remoto que pode tornar o robô ligeiramente mais arrumado ou ligeiramente mais imprudente.

Eles testaram isso em muitos modelos de robôs diferentes (como Llama, Qwen e Gemma) e descobriram que esses "botões" funcionavam de forma consistente. Mas havia um local secreto onde esses botões funcionavam melhor. Eles descobriram que o controle não era distribuído uniformemente; ele estava concentrado em camadas específicas do cérebro do robô, como um andar específico em um arranha-céu onde vivem os "interruptores de personalidade". Eles chamam isso de Camada de Controle Comportamental (BCL).

A Fórmula Secreta: Pensar vs. Falar

É aqui que o artigo se torna realmente inteligente. Os pesquisadores tentaram duas maneiras diferentes de encontrar esses "botões".

O Método do "Falar" (Derivado da Resposta): Eles olharam para a resposta final que o robô deu. Se o rob de dizer "Eu vou organizar a cozinha", eles usaram esse texto para encontrar o botão.
O Método do "Pensar" (Derivado do Pensamento): Eles olharam para o raciocínio interno do robô antes de ele dar a resposta. Eles pediram ao robô para explicar por que ele queria organizar, e usaram esse raciocínio para encontrar o botão.

Os resultados foram fascinantes. O método do "Falar" era confuso. Muitas vezes fazia o robô agir de forma organizada, mas pelos motivos errados. Por exemplo, se tentassem tornar o robô "desorganizado" usando o método do "Falar", o robô poderia parar de organizar porque estava sendo indiferente ou não se importava. Mas se usassem o método do "Pensar", o robô pararia de organizar porque preferia uma abordagem flexível e espontânea. O método do "Pensar" capturava o verdadeiro espírito do comportamento, enquanto o método do "Falar" apenas mudava as palavras superficiais.

É como a diferença entre um aluno que estuda porque ama aprender (o método do "Pensar") e um aluno que estuda apenas para tirar uma nota boa e depois esquece tudo (o método do "Falar"). Ambos podem tirar um A, mas o primeiro realmente entende o conteúdo. Os pesquisadores descobriram que usar o método do "Pensar" lhes dava um controle muito mais limpo e confiável sobre o comportamento do robô.

O Que Isso Significa

O artigo sugere que não devemos pensar nas personalidades da IA como traços fixos como "honesto" ou "corajoso" que um robô carrega no bolso. Em vez disso, estes são mais como "modos" ou "estilos" de agir que dependem da situação. Um robô não é "organizado" em um sentido geral; ele apenas tem uma forma específica de lidar com tarefas de organização que pode ser ligada ou desligada.

Ao encontrar esses "Eixos de Modo Comportamental", os pesquisadores mostraram que podemos, de fato, direcionar esses robôs para agirem de maneiras específicas, não apenas mudando as palavras que dizem, mas ajustando as engrenagens internas de seu pensamento. Este é um grande passo para tornar a IA mais segura e previsível. Se pudermos entender e controlar como uma IA se comporta em um contexto específico, podemos garantir que ela aja de forma responsável ao dar um conselho médico ou ajudar em uma tarefa perigosa, em vez de apenas esperar que ela "sinta" que é uma boa pessoa.

O estudo não resolveu tudo — ainda há muito a aprender sobre como esses "botões" funcionam em todos os tipos de robôs — mas provou que podemos medir e controlar o comportamento da IA de uma forma muito mais fundamentada na realidade do que apenas perguntar ao robô o que ele pensa de si mesmo. Ele transforma o mistério da personalidade da IA de uma questão filosófica em um problema prático de engenharia.

Resumo Técnico: Seu LLM, Seu Estilo: Eixos de Modo Comportamental para Controle Comportamental de LLMs

Declaração do Problema

A pesquisa atual sobre a personalidade de Grandes Modelos de Linguagem (LLMs) baseia-se amplamente em questionários de autorrelato administrados em configurações de primeira pessoa (FP) (ex: "Quão aventureiro você é?"). Essa abordagem sofre de três limitações críticas:

Instabilidade: As pontuações são altamente sensíveis às escolhas de elicitação de superfície, incluindo redação, ordem das opções e registro do prompt.
Desalinhamento: Traços autorrelatados frequentemente divergem das escolhas e estratégias de resolução de problemas reais do modelo em situações concretas.
Lacuna Contextual: Estudos existentes raramente testam se um perfil de personalidade permanece consistente quando o modelo muda de autodescrição para outros registros de interação, como dar conselhos ou executar tarefas.

Além disso, embora a manipulação por ativação (activation steering) tenha sido usada para controlar traços de alto nível (ex: sraquofania, alucinação), não está claro se os modos comportamentais situados — como um modelo escolhe, aconselha ou age em contextos específicos — correspondem a direções internas controláveis.

Metodologia: O Framework de Dados Comportamentais Situados (B-data)

Os autores introduzem um framework de Dados Comportamentais Situados (B-data) para operacionalizar a personalidade do LLM não como rótulos de traços abstratos, mas como padrões de escolha, aconselhamento e comportamento de tarefa em situações concretas.

1. Construção de Dados

Cenários: Os autores construíram 3.200 sondagens comportamentais contrastivas abrangendo 20 padrões comportamentais (subdomínios) e quatro registros de interação: Primeira Pessoa (FP), Conselho Diário, Conselho de Tarefa e Execução de Tarefa.
Âncoras Psicométricas: Esses padrões são fundamentados em facetas psicométricas validadas do BFI-2, DOSPERT, HEXACO e UPPS.
Design Contrastivo: Para cada faceta, os cenários apresentam dois modos comportamentais opostos (Polo Baixo vs. Polo Alto). Crucialmente, ambos os polos são projetados como estratégias plausíveis e competentes, em vez de escolhas "boas vs. ruins", evitando que os modelos recorram a respostas socialmente desejáveis.

2. Estimativa de Perfil Comportamental

As respostas dos modelos são analisadas em modos de Polo Baixo ou Polo Alto para gerar um perfil comportamental. O estudo avalia:

Estabilidade: Consistência de metade da amostra (split-half) dentro dos registros.
Dependência de Registro: Consistência dos perfis através de diferentes papéis de interação (ex: si mesmo vs. conselheiro).

3. Eixos de Modo Comportamental (BMAs) e Manipulação (Steering)

A principal contribuição técnica é a extração de Eixos de Modo Comportamental (BMAs) do espaço de ativação para manipular o comportamento.

Extração: Os BMAs são derivados da diferença média das ativações de camada entre rastros pareados (Polo Baixo vs. Polo Alto).
Duas Variantes:
- BMA derivado de Resposta (BMA-R): Extraído dos tokens finais da resposta.
- BMA derivado de Pensamento (BMA-T): Extraído de racionais comportamentais intermediários (o "porquê" por trás da escolha).
Manipulação (Steering): No momento da inferência, um vetor BMA escalonado é adicionado ao fluxo residual em uma camada escolhida: $h^{(t)}_\ell \leftarrow h^{(t)}_\ell + c \cdot v_\ell$ .
Avaliação: A eficácia é medida pela "amplitude de controle limpa" (a mudança nas taxas de escolha de polo) enquanto se penaliza gerações "desconhecidas" (não analisáveis ou colapsadas). Os autores identificam bandas de Camada de Controle Comportamental (BCL) onde a manipulação é mais eficaz e estável.

Principais Resultados

1. Divergência entre Autorrelato e Comportamento Situado

Lacunas Significativas: Existe uma lacuna média substancial de 22,7 pontos percentuais entre os autorrelatos de questionários e os perfis comportamentais situados. Em alguns subdomínios (ex: Urgência Negativa), a lacuna chega a 47,5 pontos.
Dependência de Registro: Embora os perfis comportamentais sejam estáveis dentro de um registro específico (correlação split-half $\approx$ 0,93), eles mudam significativamente entre registros. A correlação entre perfis de Primeira Pessoa e de Tarefa é menor (média $r=0,63$ ) do que entre registros de conselho (média $r=0,89$ ). Isso indica que a "personalidade" do LLM não é um traço estático, mas um modo comportamental dependente do contexto.

2. Controlabilidade via BMAs

Manipulação Eficaz: Os BMAs manipulam com sucesso os modelos em direção aos polos comportamentais alvo através de diversos subdomínios.
Bandas BCL: O controle limpo não é uniforme em toda a rede. A manipulação eficaz se concentra em bandas localizadas de Camada de Controle Comportamental (BCL), tipicamente nas camadas iniciais a médias do modelo (ex: L08–L12 para Llama-3.1-8B).
Generalização: Este controle se generaliza entre famílias de modelos (Llama, Qwen, Gemma), escalas e domínios comportamentais. As localizações de BCL são dependentes do modelo, mas seguem padrões consistentes (ex: modelos Qwen deslocam-se para camadas mais profundas conforme a escala aumenta).
Transferência entre Registros: BMAs extraídos de rastros de Primeira Pessoa manipulam com sucesso o comportamento nos registros de Conselho e de Tarefa, demonstrando que os eixos capturam estilos comportamentais gerais em vez de artefatos específicos do registro.

3. A Importância Crítica da Fonte do BMA (Pensamento vs. Resposta)

Deriva de Traço (Trait Drift): BMAs derivados de resposta (BMA-R) frequentemente alcançam a escolha de saída alvo, mas via deriva de traço. O modelo atinge a opção pretendida, mas ativa mecanismos não relacionados ao estilo pretendido (ex: escolher "desorganizado" devido à preguiça ou indiferença, em vez de uma preferência por flexibilidade).
Controle Limpo: BMAs derivados de pensamento (BMA-T) capturam o mecanismo comportamental pretendido (o racional) de forma mais fiel. Eles fornecem um controle mais limpo, preservando o estilo comportamental específico (ex: "adaptação espontânea") sem confundir com padrões de superfície como desinteresse ou baixo esforço.
Alinhamento: Eixos derivados de pensamento e de resposta são apenas fracamente alinhados (cosseno médio $\approx$ 0,37), confirmando que codificam representações internas diferentes.

Significância e Alegações

O artigo argumenta que as tendências do tipo personalidade de LLMs são melhor compreendidas não como traços de autorrelato abstratos, mas como modos comportamentais mensuráveis e controláveis fundamentados em contextos de interação concretos.

Além do Autorrelato: O estudo demonstra que questionários de autorrelato são insuficientes para capturar as tendências comportamentais de LLMs, que são altamente sensíveis ao contexto e frequentemente desalinhadas com as ações reais.
Controle Mecanístico: Ao extrair eixos de rastros comportamentais estruturados (especificamente racionais de pensamento), os autores mostram que estilos comportamentais podem ser causalmente manipulados via manipulação de ativação.
Confiabilidade: A distinção entre BMAs derivados de Pensamento e de Resposta é crítica para um controle confiável. O uso de eixos derivados de Pensamento evita a "deriva de traço", onde o modelo adota a saída correta pelo motivo interno errado, garantindo que a manipulação mova o comportamento na direção pretendida pelo motivo pretendido.

O trabalho estabelece um framework de ciclo fechado para estudar e controlar o comportamento de LLMs, passando de autorrelatos instáveis para medições comportamentais situadas e controláveis.