PersonaDose 把“人格强度”变成可请求的分数：在三个模型家族上把核心特质表达提高 17.8–33.2 分，并在 14–22/28 个可达目标上把误差压到 4.7–6.2 分

把激活干预的强度参数翻译成行为分数：特质描述决定“表达什么”，流时间决定“表达多强”，训练时并不把响应与请求的目标强度配对，标定在训练之后用测得的剂量—反应曲线把请求分数反解为流时间。 此前的激活干预（CAA、RepE、表征工程等）只暴露一个没有内在行为含义的强度系数，同一系数在不同特质和模型上诱导的表达水平不同；该工作把“可达的行为范围”与“在该范围内请求的精度”分开，并给出以行为单位表达的接口。 论文给出形式化定义（响应曲线、连贯性下限、强度命中），并在三个模型家族上按同一评分协议（GPT-4.1-mini 独立打分特质表达与连贯性，0–100 分）评估；标定用等渗回归加分段线性反解，落在拟合范围外的目标在测试前即标记为不可达。

人格响应专门化显著扩大高连贯性下的表达范围：在平均连贯性 75 处，PersonaDose 的核心特质表达为 75.1、82.3、86.0，而 CAA 为 41.9、64.0、68.2，对应增益 33.2、18.3、17.8 分；通用 FLAS 为 13.3、46.2、42.7。 增益集中在方向基线几乎无法在高连贯区间表达的特质上：Llama 上 sycophantic 从 9.7 升到 90.5、impolite 从 1.6 升到 72.3；Qwen 与 Gemma 上最大改进在 evil，分别从 3.3 升到 71.5、从 21.2 升到 68.9。 表 1 与表 2 给出三模型、五方法的峰值表达对比，附录 D 给出全部七个特质的逐特质结果；强度扫描使用全部 20 个问题、每问题 10 条响应，区间用 2,000 次问题自助重采样。

表达优势在留出问题上保持，但标定所用的连贯性下限并不在每个特质上都迁移：用十个标定问题选出的设置，在十个不相交测试问题上得到平均表达 75.6、80.3、84.8（CAA 为 43.5、63.3、68.0），配对增益 32.1 [26.4, 37.8]、17.0 [10.4, 23.7]、16.8 [12.4, 21.5]，平均连贯性 75.5、83.2、79.4，仅 1/3、2/3、3/3 的特质在测试集上仍守住下限。 把“标定选择”与“测试评估”分离，说明表达增益可迁移，而连贯性约束需要按特质在留出问题上重新检查，这是此前只报告扫描峰值的工作没有分开的两件事。 留出评估固定标定策略，配对自助区间共享问题抽样；论文明确指出扫描峰值在同一批问题上既选强度又评估强度，留出测试把这两步分开。

标定后的中间强度请求在留出问题上可被实现，但覆盖范围与精度是两件事：七个已训练特质上平均命中误差为 6.1、6.2、4.7 分，可达请求为 22/28、20/28、14/28，其中同时达到测试连贯性下限的为 19/28、20/28、13/28；Qwen 控制器继续训练后留出表达从 78.7 升到 93.7（配对增益 15.0 [7.3, 23.3]），重新标定后支持 11/12 个连贯请求，而标定 CAA 为 8/12。 把“控制器学到的行为范围”与“在该范围内请求的准确度”作为两个独立指标报告，并展示控制器更新会改变标定映射（同一 sycophancy 60 在初始与继续检查点上选中不同强度），因此更新后需要重新测量曲线。 表 4、表 5、表 6 与附录 F、G 给出逐格流时间、表达、绝对误差与连贯性；论文同时说明两套 MAE 覆盖的请求集合不同，因此不构成配对精度优势，且次级评判者的 MAE 区间包含零。

该结果面向需要在受控研究环境中按强度研究人格特质的实验者：同一模型内七个特质共享一个控制器，切换特质不需要加载不同适配器，不同基座模型各有独立控制器；请求分数指定的是跨问题与跨采样响应的平均表达，标定只在拟合范围内有效，范围外目标在测试前即被标记为不可达。它使“按分数请求强度”在 Llama-3.1-8B、Qwen3-8B、Gemma-3-4B 上可操作，并提示控制器更新后应重新测量映射曲线。

评估覆盖七个已训练特质、短响应与 PV 评判分数，未建立对未见特质或长对话的泛化；可达强度层数因特质而异，optimistic 在每个模型上只有一个可达目标，Gemma 的 hallucinating 没有可达目标；被评估的强度非负，低于未干预表达水平的目标可能落在范围外；连贯性衡量可读性，不衡量事实正确性或安全性；扫描峰值在同一批问题上选强度并评估，留出测试虽分离两步，但标定连贯性下限未必在每个测试特质上成立；自助区间以固定控制器为条件，不涵盖训练或评判者变异；两套命中误差覆盖不同请求集合，不构成配对优势；控制器继续训练同时改变多项训练选择，其效果不能归因于单一改动。