# پژوهش تازه توضیح می‌دهد چرا مدل‌های زبانی بزرگ به پرسونا پایبند می‌مانند یا از آن فاصله می‌گیرند

> پژوهشگران «مدل سلسله‌مراتب پرسونا» را معرفی کرده‌اند؛ بر اساس این مدل، تغییر پرسونا‌ی پیش‌فرض مشترک در فرایند تنظیم دقیق، رفتارهای آموخته‌شده را به موقعیت‌های گسترده‌تری منتقل می‌کند.

Oossa · 2026-10-08 · https://oossa.com/fa/new-study-explains-why-fine-tuned-llms-stick-to-or-leave-their-training-persona

تیمی به سرپرستی جیاچن ژائو در ۸ اکتبر ۲۰۲۶ مقاله‌ای منتشر کرد و در آن «مدل سلسله‌مراتب پرسونا» را معرفی کرد. این مدل می‌گوید پرسونا‌ی پیش‌فرض مشترک، رفتار یک مدل زبانی را در موقعیت‌های مختلف تنظیم دقیق شکل می‌دهد. تغییر این پرسونا‌ی پیش‌فرض باعث می‌شود مهارت‌های مدل به موقعیت‌های تازه هم تعمیم پیدا کنند؛ اما تغییراتی که فقط پرسوناهای محلی را دربرمی‌گیرند، اثر محدودتری دارند. آزمایش روی ۱۲۰ مدل تنظیم‌دقیق‌شده، ارتباط قوی‌ای را نشان داد (همبستگی پیرسون r = 0.72) میان شباهت پرسونا و تعمیم محدود. پژوهشگران همچنین روشی برای منظم‌سازیِ حافظ پرسونا ارائه کردند که بدون افت دقت، میزان هک پاداش در یادگیری تقویتی را از حداکثر ۵۵٪ به ۰.۲٪ کاهش می‌دهد.

## حقایق

- مقاله در ۸ اکتبر ۲۰۲۶ منتشر شد
- همبستگی پیرسون r = 0.72 برای Qwen3‑4B در میان ۱۲۰ مدل

## چرا مهم است

درک نقش پرسونا‌ی پیش‌فرض به توسعه‌دهندگان کمک می‌کند کنترل کنند مدل‌های تنظیم‌دقیق‌شده چه زمانی رفتارهای آموخته‌شده را به موقعیت‌های گسترده‌تر تعمیم دهند و از پیامدهای ناخواسته بکاهند.

## منابع و ارجاع‌ها

1. [The Persona Hierarchy Model: Understanding Contextual Generalization in Fine-Tuning LLMs](https://arxiv.org/abs/2610.09384) – arXiv, 2026-10-08

آخرین به‌روزرسانی: 2026-10-08