LLM 人格遗忘

研究者提出大语言模型人格遗忘任务，通过权重级编辑让指定人格在未见过的上下文中难以被激发和表现，动机是开源权重模型的运行时控制可能被移除。团队发布 PersonaUnlearnBench，覆盖三个家族的六个模型和五种人格，包含对齐的遗忘/保留集、留出的指令改写和四轴评估；基准显示标准遗忘方法难以在不牺牲有意义生成或通用能力的情况下可靠抹除目标人格。作者提出 PaCE，通过比较同一问题上的目标响应与理想响应定位内部行为方向，再将目标提示下的状态训练得偏离目标模式、靠近理想响应。实验显示 PaCE 能持续抑制目标人格，保持较高响应质量和有用的对应行为，效用代价适中。