هوش مصنوعی
پژوهش: چارچوب پرامپت بیش از هویت پرسونا، بازنمایی درونی مدل را تغییر میدهد
بررسی Qwen3-VL-8B-Instruct نشان میدهد ساختارهای مربوط به پرسونا در لایههای عمیقتر پدیدار میشوند؛ اما اثر پرسونا بر داوریهای مدل از اثر نحوهٔ معرفی آن بیشتر است.

پژوهشی پیشچاپ در arXiv دربارهٔ مدل چندوجهی Qwen3-VL-8B-Instruct نشان میدهد نحوهٔ صورتبندی پرامپت میتواند بازنماییهای درونی مدل را بیش از محتوای پرسونا تغییر دهد، در حالی که محتوای پرسونا اثر بیشتری بر داوریهای رفتاری مدل دارد. این تفاوت نشان میدهد فاصلهٔ میان بازنماییهای درونی لزوماً میزان اهمیت آنها برای پاسخ مدل را نشان نمیدهد.
پژوهشگران واکنش مدل به «جذاببودن بصری» تصاویر را با ۱۰۰ تصویر و ۵۳ وضعیت پرامپت بررسی کردند. آنها محتوای پرسونا و شیوهٔ زبانی معرفی آن را تغییر دادند و همزمان امتیازهای رفتاری و وضعیتهای لایهبهلایهٔ مدل را ثبت کردند. در لایههای ابتدایی، بازنماییها عمدتاً با هویت تصویر مرتبط بودند؛ ساختارهای ویژهٔ پرسونا در لایههای بعدی پدیدار شدند.
بهگزارش پژوهش، حتی عبارتهای کوتاه دربارهٔ هویت میتوانند بازنماییهای درونی را تغییر دهند، بیآنکه پاسخ مدل عوض شود. نویسندگان این یافته را نشانهای از تمایز میان هندسهٔ بازنماییهای داخلی و پیامدهای رفتاری آنها میدانند. مقاله در arXiv منتشر شده و پیشچاپ است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درجشده تنظیم شدهاند؛ صحت مستقل همه ادعاها تضمین نمیشود.
منبع: arXiv · AI (پیشچاپ) — مشاهده منبع اصلی ↗
پیشچاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده