PERSONAWEAVER: Controllable Diversity Beyond Conventional Archetypes in Procedural Character Generation
作者: Maan Qraitem, Kate Saenko, Bryan A. Plummer
分类: cs.CL
发布日期: 2026-09-22
备注: Accepted at the 1st PANDORA Workshop: Pluralistic AI and NLP
🔗 代码/项目: GITHUB
💡 一句话要点
提出PersonaWeaver以解决角色生成中的同质化问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 程序化角色生成 大型语言模型 道德立场 对话反应 行为多样性 虚拟世界 游戏开发
📋 核心要点
- 现有的程序化角色生成方法导致生成的角色在行为上高度同质化，缺乏多样性。
- 本文提出PersonaWeaver，通过分离世界构建与行为规范，利用多样化的道德立场和对话反应库来生成角色。
- 实验表明，PersonaWeaver在多种场景下生成的角色在道德和互动反应上更为多样，且语言表达更加丰富。
📝 摘要（中文）
程序化角色生成旨在为游戏、模拟和其他虚拟世界创造多样化角色。大型语言模型（LLMs）为这一任务提供了良好的基础。然而，现有方法要么直接生成角色，要么从角色库中检索资料，导致生成的角色在行为上高度同质化。为了解决这一问题，本文提出了PersonaWeaver，通过将世界构建与行为规范分离，并通过手动策划的道德立场和对话反应库来建模角色行为。实验结果表明，PersonaWeaver在十个现实和幻想场景中，生成的道德和互动反应分布更广泛，且在语言多样性、反应长度和情感上也表现出更大的多样性。
🔬 方法详解
问题定义：现有的程序化角色生成方法存在角色行为同质化的问题，生成的角色往往过于一致，缺乏个性和多样性。
核心思路：本文的核心思路是通过PersonaWeaver将世界构建与角色行为的规范分离，利用手动策划的道德立场和对话反应库来丰富角色的行为表现。
技术框架：PersonaWeaver的整体架构包括角色生成的多个模块，首先是世界构建模块，然后是行为规范模块，最后是基于LLM的角色生成模块。
关键创新：最重要的创新点在于通过手动策划的多样化道德立场和对话反应库，显著提高了生成角色的行为多样性，与现有方法相比，突破了角色生成的传统范式。
关键设计：在设计中，采用了多样化的道德立场库和对话反应库，确保生成的角色在情感、语言风格和反应长度上具有更大的多样性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，PersonaWeaver在十个不同的场景中生成的角色在道德和互动反应上表现出更广泛的分布，相较于传统方法，角色的语言多样性、反应长度和情感表达都有显著提升，展示了更少的原型组合。
🎯 应用场景
该研究的潜在应用领域包括游戏开发、虚拟现实和模拟训练等，能够为这些领域提供更加丰富和多样化的角色生成方案，提升用户体验和沉浸感。未来，PersonaWeaver有望在更广泛的虚拟环境中应用，推动角色生成技术的发展。
📄 摘要（原文）
Procedural character generation aims to populate games, simulations, and other virtual worlds with diverse characters. Large language models (LLMs) offer a promising foundation for scaling this task. However, LLM-based procedural character generation remains at an early stage: existing methods either generate characters directly or adapt profiles retrieved from persona banks. As we show, both approaches produce behaviorally homogeneous populations: characters overwhelmingly agree with positive moral norms and respond to questions with helpful, assistant-like reactions. To mitigate this homogenization, we introduce PersonaWeaver, which disentangles world building from behavioral specification and models behavior through setting general, diverse, manually curated banks of moral positions and conversational reactions. This design allows us to test how far LLM(s) can be pushed beyond their default behavioral patterns across settings. Across ten realistic and fantastical settings and three LLM(s), PersonaWeaver produces broader moral and interactional response distributions than prior work. Its guidance also diversifies interpersonal language, response length, and sentiment. It also produces less archetypal combinations of world attributes. Code is available at https://github.com/mqraitem/PersonaWeaver.