연구진이 다중 인격 구성 및 동적 전환을 포함하는 체계적인 평가 프레임워크를 확립하며, MLLM의 복잡한 인격 조건 하에서의 행동 이해 및 제어의 중요성을 강조했어요.
실험 결과, 인격 유도는 이미지 캡셔닝 성능을 향상시키지만 시각적 질문 답변(VQA)과 같은 정확한 추론 능력에는 영향을 줄 수 있으며, 다중 인격 조합 시 균형 및 잔류 효과가 관찰돼 모델 행동이 이전 및 현재 인격 제약에 의해 공동 조절됨을 보여줬어요.
기존 프롬프트 기반 인격 유도 방법은 다중 모달 환경에 제한적인 전달력을 보이며, 연구는 MLLM의 인격 모델링의 역동적이고 복잡한 본질을 밝혀내고, 인격 유도 및 평가를 위한 강력하고 맞춤화된 방법의 필요성을 강조해요.