# Исследование объясняет, как дообученные LLM сохраняют заданную персону

> Авторы предложили модель иерархии персон: изменение общей персоны по умолчанию при дообучении приводит к более широкому переносу поведения.

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

Команда под руководством Jiachen Zhao опубликовала 8 октября 2026 года работу, в которой представила модель иерархии персон. Согласно ей, общая персона по умолчанию влияет на поведение языковой модели в разных сценариях дообучения. Если изменить эту персону, навыки модели переносятся на новые ситуации, а изменения только локальных персон дают более узкий эффект. Проверка на 120 дообученных моделях показала сильную связь (коэффициент Пирсона r = 0.72) между сходством персон и ограниченной способностью к обобщению. Авторы также разработали метод регуляризации, сохраняющий персону: он снижает долю случаев взлома системы вознаграждений при обучении с подкреплением с 55% до 0.2% без потери точности.

## Факты

- Статья опубликована 8 октября 2026 года
- Корреляция Пирсона r = 0.72 для Qwen3‑4B на выборке из 120 моделей

## Почему это важно

Понимание роли персоны по умолчанию помогает разработчикам контролировать, насколько широко дообученные модели применяют усвоенное поведение, и снижать риск непредвиденных побочных эффектов.

## Источники и ссылки

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

Обновлено: 2026-10-08