当人格遇见量化：量化大模型的逐层 MBTI 分析

大语言模型的人格特性正变得日益重要，因为它深刻塑造着用户的信任感、参与度以及整体的情感体验。尽管 Myers-Briggs Type Indicator（MBTI）已成为评估 LLM 人格的一种主流框架，但现有研究存在两个明显盲区：它们主要聚焦全精度模型，且通常只评估最终输出结果。这种评估视角忽视了现实中大量部署的、追求低显存占用的量化模型，而这类模型的人格特征几乎未被深入探究。针对这一缺口，本文提出对多个开源 LLM 在多种精度下进行系统性的 MBTI 分析，覆盖主流的 4-bit 方法 GPTQ 与 AWQ，并进一步考察极端的 2-bit 设置即 AQLM 的若干变体。论文的核心贡献在于将人格评估从单一的输出层面，拓展到模型内部的多精度、多层级动态过程，从而揭示量化这一工程手段究竟如何影响模型的行为特征。这一视角的转换，使得研究者能够更贴近真实部署场景来理解模型的人格可靠性，也为后续的人格敏感型应用提供了更扎实的分析基础。 在技术方法上，论文并未停留在输出结果的简单分类，而是深入模型内部考察人格如何逐层涌现。作者通过选项级熵（option-level entropy）来刻画每一层对人格选项的不确定性程度，同时利用置信度差（confidence-gap）动态追踪模型在不同人格选项之间差距的演化过程，从而观察早期层的模糊性与上层决策之间的关联。为进一步研究推理阶段的人格变化，论文提出了一种名为 Uncertainty-Amplified Layer Decoding（UALD）的方法，用于放大并捕捉由解码过程引发的人格漂移。这种设计将关注点从静态的权重表征，转向动态的推理过程，使得人格不再被当作一个固定属性，而是被建模为一个随层、随提示、随解码策略而变化的决策过程。在训练与评估策略上，论文强调跨精度、跨模型族的对比分析，通过一致性指标衡量不同量化程度下人格判断的稳定程度，从而量化量化带来的行为扰动。 在实验设置与关键结果方面，论文在多个开源 LLM 上对比了全精度、4-bit 与 2-bit 多种量化方案下的人格表现。关键发现首先体现在主导人格的稳定性上：ENFJ 这一人格类型在多个模型族与多种精度下均保持主导地位，说明某种人格倾向具有跨实现的共性。其次，量化程度对人格结构的影响呈现明显分层：4-bit 量化基本保留了粗粒度的人格结构，而 2-bit 极端量化则会破坏细粒度的提示一致性与跨精度之间的一致性，表明过度压缩会削弱人格判断的稳定性。第三，人格决策倾向于在上层涌现，并在早期层经历显著的模糊性，这与选项级熵与置信度差所描绘的演化路径相互印证。最后，推理阶段的解码过程确实会改变人格表现，而采用人格对齐的条件引导则能提升人格判断的鲁棒性。这些消融式的发现共同支撑了论文的核心论点，即人格是一个受量化、提示与解码共同影响的动态决策过程。 从行业意义来看，这篇论文为量化大模型的行为可靠性提供了一个全新的观察视角。随着量化成为大模型开源与工业落地的常规手段，研究者与开发者往往只关注精度与效率的权衡，却忽视了量化可能悄悄改变模型的人格特征，进而影响用户在聊天机器人等敏感场景中的信任与情感体验。本文揭示的人格逐层涌现与解码漂移现象，提醒人们在人格敏感型应用中必须同时考虑模型内部动态与推理策略的选择。对开源社区而言，这套多精度、多层级的 MBTI 分析框架为模型评估提供了可复用的方法论；对工业落地而言，它提示量化方案的选择需要纳入行为一致性的考量；对后续研究而言，将人格从静态属性重新定义为动态决策过程，也为理解大模型的行为本质开辟了新的研究方向。