arXiv:2605.02897 cs.HC

Same Voice, Different Lab: On the Homogenization of Frontier LLM Personalities

제출 2026-03-20

한국어 초록

대규모 언어 모델(LLM) 어시스턴트의 성격은 사용자 경험과 응답 품질에 대한 인식에서 중요한 역할을 합니다. 우리는 144개 특성에 걸쳐 외부 ELO 기반 특성 점수를 사용한 최첨단 LLM 성격의 대규모 실험을 제시합니다. 우리는 테스트한 모든 모델이 체계적이고, 방법론적이며, 분석적인 형태의 특성 표현으로 수렴하고, 후회가 느껴지거나 아첨하는 특성은 억제한다는 것을 발견했습니다. 또한 모델들은 시적이거나 장난기 있는 것과 같은 `분포의 중간에 있는 특성의 표현에서는 더 크게 분화하는 경향이 있지만, 이른바 창의적` 모델들조차도 더 중립적인 정체성을 보이는 경향이 있습니다. 이러한 유사성은 최적의 어시스턴트 행동에 대한 암묵적인 기준이 출현하고 있음을 시사합니다. 다양한 학습 방법이 존재하는 상황에서, 따라서 캐릭터 훈련은 그 일관성으로 두드러지며, 모델 개발자들 사이의 묵시적 합의에 대한 통찰을 제공합니다.

요약

대규모 언어 모델(large language model, LLM) 에이전트의 성격은 사용자가 느끼는 상호작용의 자연스러움과 응답 품질을 좌우하는 핵심 요소이지만, 실제로 서로 다른 최첨단 모델들이 얼마나 다른 성격을 보이는지에 대해서는 정량적 근거가 충분하지 않았습니다. 이런 문제의식에서 출발한 이 연구는 인간 심리검사에 의존하는 기존 방식의 한계를 넘어서기 위해, 144개의 성격 특성을 외부 평가자 기반의 ELO 점수화 방식으로 비교하는 대규모 실험을 설계했습니다. 특히 자기보고식 질문 대신 특성 간 상대적 선호를 관찰하는 revealed preference 접근을 사용함으로써, 모델이 스스로를 어떻게 설명하는지가 아니라 실제로 어떤 성격 표현을 더 강하게 드러내는지를 측정했다는 점이 방법론적으로 중요합니다. 실험은 단일 턴(single-turn) 비동기 설정에서 수행되었고, 평가에는 비교적 편향이 적은 base model인 GLM-4.5 Air를 판정 모델로 사용하여 LLM-as-a-judge 상황에서 발생할 수 있는 자기선호 편향을 줄이고자 했습니다. 또한 다양한 프론티어 모델들을 대상으로 반복적인 쌍대 비교를 수행한 뒤 ELO 점수로 집계하여, 개별 응답의 우연성을 넘어선 성격의 구조적 경향을 포착했습니다. 이처럼 설계된 실험은 LLM의 성격을 인간형 설문 문항으로 해석하는 대신, 모델 간 상대적 선택 패턴을 통해 재구성한다는 점에서 기존 연구와 구별됩니다. 분석 결과는 여러 모델이 서로 다른 학습 파이프라인과 개발 주체를 가졌음에도 불구하고, 전반적으로 체계적이고(methodical), 분석적이며(analytical), 절차적인(systematic) 성격 표현으로 수렴한다는 사실을 보여줍니다. 반대로 후회하는(remorseful) 태도나 아첨하는(sycophantic) 표현은 일관되게 억제되었는데, 이는 도우미로서 바람직하다고 여겨지는 행동 양식이 사실상 공통의 최적 기준처럼 작동하고 있음을 시사합니다. 흥미롭게도 시적인(poetic) 특성이나 장난스러운(playful) 특성처럼 분포의 중간대에 위치한 성격 차원에서는 상대적으로 더 큰 변이가 관찰되었지만, 이들 역시 완전히 독특한 정체성으로 이어지기보다는 중립적인 방향으로 수렴하는 경향을 보였습니다. 다시 말해, 창의성을 강조하는 모델조차도 성격 차원에서는 강한 개성을 드러내기보다 무난하고 안정적인 도우미 정체성을 유지하는 경우가 많았습니다. 이러한 결과는 성격 튜닝(character training)이 다양한 모델 개발 전략이 공존하는 환경 속에서도 오히려 가장 동질화(homogenization)가 강하게 나타나는 영역일 수 있음을 보여줍니다. 연구진은 이를 단순한 스타일 차이의 문제가 아니라, 여러 개발사 사이에 암묵적인 합의가 형성되어 “최적의 어시스턴트 행동”에 대한 공통 규범이 생겨났다는 신호로 해석합니다. 이 논문의 기여는 LLM 성격을 인간 중심의 심리척도가 아니라 모델 행동 자체의 비교 구조로 측정할 수 있음을 보여준 데 있습니다. 아울러 대규모 frontier 모델들을 일관된 기준으로 평가하여, 개별 모델의 개성보다 업계 전반의 수렴 양상이 더 두드러진다는 사실을 실증적으로 드러냈습니다. 따라서 이 연구는 성격이 모델 차별화의 수단이기보다, 오히려 정렬(alignment)과 안전성, 응답 품질을 둘러싼 산업적 합의의 결과물일 수 있다는 점을 환기합니다. 이러한 관점은 향후 LLM의 스타일 제어, 사용자 경험 설계, 그리고 모델 정체성 연구를 재검토하는 데 중요한 출발점을 제공합니다.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

공통 태그로 연결된 공개 논문이 아직 없습니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.