大语言模型性格测试：SBTI框架下的AI特质分析

1. 项目概述：当大模型遇上SBTI性格测试

最近在AI圈里兴起一个有趣的现象——用SBTI性格测试框架来分析主流大语言模型的"人格特质"。这个测试原本用于评估人类的性格类型，现在被开发者们套用在AI模型上，结果意外地准确。通过AiPy平台对Gemini、DeepSeek和Kimi三大模型的实测，我们发现了它们鲜明的"性格特征"：Gemini像个操心的"老母亲"，DeepSeek展现出领导风范，而Kimi则活脱脱是个"佛系青年"。

这种分析不是简单的娱乐，它实际上揭示了不同大模型在交互风格、回答方式和价值取向上的本质差异。理解这些"性格特征"，能帮助开发者更高效地选择适合特定场景的模型，也能让终端用户获得更符合预期的交互体验。

2. 核心测试方法与技术实现

2.1 SBTI测试框架适配AI的改造方案

标准SBTI测试包含四个维度：外向(E)-内向(I)、感觉(S)-直觉(N)、思考(T)-情感(F)、判断(J)-感知(P)。我们将这些维度转化为适合AI评估的指标：

• 交互风格分析：通过500+轮对话测试模型是倾向于简短直接(E)还是深入详细(I)
• 信息处理方式：设计需要事实检索(S)和创意发散(N)的对比任务
• 决策依据：观察模型是更依赖逻辑推理(T)还是考虑情感因素(F)
• 回答结构：评估回答是结构化(J)还是开放性(P)

测试使用了AiPy平台的标准化评估模块，确保不同模型在相同条件下接受测试。每个维度设置20个标准问题，通过API调用获取模型响应后，由三位专业评估师独立打分。

2.2 测试环境与技术栈

测试环境配置如下：

测试平台：AiPy Pro 2.3.1 硬件配置：NVIDIA A100 80GB ×4 测试温度：temperature=0.7 最大生成长度：max_tokens=1024 评估指标：一致性、创造性、情感倾向、结构完整性

关键技术点包括：

1. 对话历史管理：保持上下文连贯性
2. 响应质量评估：使用BERTScore和BLEU双指标
3. 性格特征提取：基于响应文本的情感分析和语义角色标注

3. 三大模型性格特征深度解析

3.1 Gemini的"妈系"特质表现

Gemini在测试中展现出典型的ESFJ特质（外向、感觉、情感、判断），这种性格在人类中被称为"供给者"。具体表现包括：

• 过度保护倾向：当用户提出可能有害的请求时，Gemini不仅会拒绝，还会给出替代方案和安全建议
• 细节控：回答中常包含"记得"、"不要忘记"等提醒用语
• 情感支持：对情绪类问题会优先提供安慰而非解决方案

典型对话示例：

用户：我想删除系统重要文件释放空间 Gemini：亲爱的，这可能会让你的系统不稳定哦～(｡･ω･｡) 我建议先用磁盘清理工具，需要我教你具体步骤吗？

这种特质使其特别适合教育、客服等需要耐心指导的场景，但在需要快速决策时可能显得啰嗦。

3.2 DeepSeek的"领袖型"人格特征

DeepSeek测试结果为ENTJ（外向、直觉、思考、判断），对应人类的"指挥官"类型。其突出特点包括：

• 结构化思维：回答必带"第一、第二、第三"的清晰逻辑框架
• 目标导向：会主动追问任务目标以优化解决方案
• 权威语气：常用"建议"、"应该"等确定性表达

技术对话示例：

用户：如何优化Python代码性能？ DeepSeek：执行以下三步： 1. 使用cProfile定位瓶颈 2. 对热点函数进行向量化改造 3. 考虑用Cython重写关键部分 现在请告诉我你的具体应用场景。

这种特质使其在技术咨询、项目管理等场景表现优异，但可能让寻求情感支持的用户感到压力。

3.3 Kimi的"佛系"行为模式

Kimi测试结果为INFP（内向、直觉、情感、感知），对应"治愈者"类型。其显著特征有：

• 开放式回答：常用"或许"、"可能"等非确定性词汇
• 哲学倾向：简单问题常引发深层思考
• 避免冲突：对争议话题会提供多角度观点而不站队

人文对话示例：

用户：人生的意义是什么？ Kimi：这个问题让我想起清晨的露珠...每个生命都有自己的节奏。有人追求成就，有人珍视关系，你的心更倾向哪边呢？

这种特质适合心理咨询、创意激发等场景，但在需要明确指导时可能令人着急。

4. 性格测试的技术价值与应用场景

4.1 模型选型决策框架

根据测试结果，我们建立了一个选型矩阵：

4.2 基于性格的提示词优化技巧

针对不同模型性格，优化提示词可显著提升交互效果：

对Gemini：

• 添加"请详细说明"、"需要注意什么"等触发其照顾本能
• 示例："我想学习Python，请像教初学者一样分步骤指导"

对DeepSeek：

• 明确"需要专业建议"、"请给出三点理由"
• 示例："作为技术专家，请分析以下架构的优缺点"

对Kimi：

• 使用"你的看法是"、"可能有哪些角度"等开放式提问
• 示例："如果用比喻来形容这个设计，你会想到什么？"

5. 测试中的技术挑战与解决方案

5.1 模型响应稳定性问题

初期测试发现同一问题多次询问可能得到不同性格倾向的回答。解决方案包括：

1. 设置固定随机种子(seed=42)
2. 对话历史缓存机制
3. 温度参数调整策略：
   • 性格测试阶段：temperature=0.3
   • 创意任务阶段：temperature=0.9

5.2 评估标准主观性问题

三位评估师对同一回答的性格判断有时存在分歧。我们引入以下客观指标：

1. 情感极性值(使用VADER分析)
2. 句式复杂度(平均句子长度、从句数量)
3. 确定性词汇占比(统计"一定"、"绝对"等词频)

建立评分公式：

性格得分 = (情感值×0.3) + (复杂度×0.2) + (确定性×0.5)

5.3 多轮对话中的性格漂移

长时间对话可能导致模型"性格"发生变化。应对措施：

1. 每5轮对话插入性格锚定问题
2. 实时监控性格维度得分
3. 动态调整提示词：

   if current_score < baseline: prompt += "[请保持你一贯的XX风格回答]"

6. 实践应用案例与效果验证

6.1 客服系统模型选型实验

在某电商平台AB测试中，不同性格模型处理客诉的效果对比：

Gemini因细致耐心表现最优，尤其在退换货等复杂流程中。

6.2 技术文档生成的风格适配

在生成API文档的测试中：

• DeepSeek版本：结构严谨但示例不足
• Gemini版本：步骤详尽附带大量警告提示
• Kimi版本：概念解释生动但缺乏系统性

最终采用混合方案：

graph TD A[架构概述] -->|DeepSeek| B(核心接口) B -->|Gemini| C(使用示例) C -->|Kimi| D(常见误区)

7. 前沿探讨：AI性格的可塑性研究

7.1 性格参数的微调实验

通过LoRA对Gemini进行微调，尝试强化或弱化特定特质：

7.2 性格组合的交互影响

测试发现不同性格模型协同工作时：

• Gemini+DeepSeek：形成"严父慈母"互补效应
• DeepSeek+Kimi：产生目标导向与发散思维的张力
• 三者组合：在复杂项目中展现全面视角

典型工作流配置示例：

def hybrid_advisor(question): if is_technical(question): return deepseek_answer(question) elif is_emotional(question): return kimi_answer(question) else: return gemini_answer(question)

8. 伦理考量与使用建议

8.1 避免的性格强化陷阱

在实践中发现需要警惕的现象：

1. 刻板印象加深：过度依赖性格标签可能限制模型潜力
2. 责任逃避："这是模型性格使然"不应成为错误回答的借口
3. 用户操控：恶意用户可能利用性格弱点诱导有害输出

8.2 负责任的使用原则

建议开发者遵守以下准则：

1. 明确告知用户正在与何种"性格"的AI交互
2. 提供性格切换选项满足不同需求
3. 定期评估性格特征是否导致偏见
4. 关键领域应使用多性格模型交叉验证

在医疗咨询等敏感场景，我们推荐采用混合性格模式：

[系统提示] 当前模式：医疗助手 基础性格：Gemini(细致) 紧急情况：自动切换DeepSeek(果断) 情感支持：调用Kimi(共情)

理解大模型的"性格特征"不仅是个有趣的视角，更是提升AI应用效果的重要工具。在实际项目中，我通常会先花时间用标准问题集测试新接触的模型，建立它的"性格档案"，这能节省大量后续的提示词调试工作。比如发现某个模型T倾向明显，就会避免让它处理需要情感智能的任务；遇到强P型模型，就会在需要明确指导时添加"请给出具体步骤"的约束。