Une équipe dirigée par Jiachen Zhao a publié un article le 8 octobre 2026, présentant le Persona Hierarchy Model. Selon ce modèle, une persona par défaut commune façonne le comportement d’un modèle de langage dans différents contextes d’affinage. Modifier cette persona par défaut permet aux compétences du modèle de s’étendre à de nouvelles situations, tandis que les changements apportés uniquement aux personas locales ont une portée limitée. Des tests menés sur 120 modèles affinés ont révélé un lien étroit (r de Pearson = 0,72) entre la similarité des personas et la généralisation limitée. Les chercheurs ont également ajouté une méthode de régularisation qui préserve la persona et réduit le piratage de récompense en apprentissage par renforcement, jusqu’à le faire passer de 55 % à 0,2 %, sans perte de précision.
Pourquoi c'est important
Comprendre le rôle d’une persona par défaut aide les développeurs à maîtriser les situations dans lesquelles les modèles affinés appliqueront largement les comportements appris, et à réduire ainsi les effets secondaires involontaires.
