The Geometry of Persona: Disentangling Personality from Reasoning in Large Language Models

This preprint presents Soul Engine, a probing and steering system trained on Qwen2.5-0.5B-Instruct to predict character-level OCEAN labels and alter activations toward a target persona. SoulBench is described as a corpus of sentences grouped by character, but the paper does not identify its sources, characters, training-set size, licenses, or split criteria. Each iteration concatenates three random sentences from one character to encourage stylistic invariance. The alleged psychological ground truth does not come from people or an inventory: Doubao-Seed-1.6 generates the labels from full character profiles. The 24-layer, 896-dimensional base model freezes layers 0–19 but fine-tunes layers 20–23 and normalization components, so the abstract's claim that backbone weights are not modified is incorrect. Two heads consume the final representation: a 256-dimensional identity MLP trained with InfoNCE and a five-output linear probe trained by MSE against teacher labels. A regularizer forces orthogonality among directions in the OCEAN head; orthogonality is therefore imposed by the objective rather than discovered spontaneously. Nor does the loss enforce or measure orthogonality between personality, identity, and reasoning circuits. On 1,000 validation examples, the best MSE is .0113 and final MSE .0118. The paper translates .0113 into “≈99% accuracy,” but MSE and accuracy are not interchangeable, and it reports no MAE, R², correlations, calibration, baselines, intervals, or per-trait or per-character results. Its contribution section also promises MSE < .01, which the table does not reach. A t-SNE of the same 1,000 embeddings, coloured only by teacher-labelled Openness, shows two visual groupings; t-SNE cannot establish orthogonality, global continuity, separation of all five traits, or independence from reasoning. For steering, a normalized vector between target-persona and neutral means is added to the residual stream with strength α. Although the method defines intervention at layer L−1, the ablation scans layers 10–20 and calls layers 14–16 with boost 6–8 optimal. The heatmap metrics “Villainy” and “Sanity” are undefined, with no sample, evaluator, repetitions, or uncertainty, and the caption confuses dark colour with greater adherence even though high Villainy is shown in red. No generation examples, prompting/SFT/LoRA comparisons, new-profile tests, or human evaluations are provided. Most importantly, no reasoning or intelligence benchmark is run, so claims of zero alignment tax, preserved original intelligence, and a subspace distinct from reasoning are untested. This is a preliminary demonstration on one 0.5B model using labels from another LLM. It contributes a possible architecture and an internal regression error, but does not validate psychological personality, deterministic control, capability preservation, or safety. The proposed “Safety Interceptor” and subtraction of malicious vectors remain future work.

Este preprint presenta Soul Engine, un sistema de sondeo y steering entrenado sobre Qwen2.5-0.5B-Instruct para predecir etiquetas OCEAN de personajes y modificar activaciones hacia una persona objetivo. SoulBench se describe como corpus de frases por personaje, pero el artículo no identifica sus fuentes, personajes, número de ejemplos de entrenamiento, licencias ni criterios de partición. En cada iteración concatena tres frases aleatorias del mismo personaje para que el modelo aprenda regularidades de estilo. Las supuestas etiquetas psicológicas no proceden de personas ni de un inventario: Doubao-Seed-1.6 las genera a partir del perfil completo del personaje. El modelo base tiene 24 capas y 896 dimensiones. Se congelan las capas 0–19, pero se ajustan las capas 20–23 y normalizaciones, por lo que es incorrecta la afirmación del abstract de que no se modifican los pesos del backbone. Dos cabezas reciben la representación final: una MLP de identidad de 256 dimensiones entrenada con InfoNCE y una proyección lineal de cinco salidas entrenada con MSE contra las etiquetas del teacher. Una regularización fuerza ortogonalidad entre direcciones de la cabeza OCEAN; por ello la ortogonalidad es una propiedad impuesta por el objetivo, no un fenómeno descubierto espontáneamente. Tampoco se fuerza ni mide ortogonalidad entre personalidad, identidad y circuitos de razonamiento. Sobre 1.000 ejemplos de validación, la mejor MSE es 0,0113 y la final 0,0118. El texto convierte 0,0113 en «≈99 % accuracy», pero MSE y exactitud no son métricas intercambiables, y no ofrece MAE, R², correlaciones, calibración, baselines, intervalos ni resultados por rasgo o personaje. Además, la contribución anuncia MSE < 0,01, que la tabla no alcanza. Un t-SNE de los mismos 1.000 embeddings, coloreado solo por la etiqueta de Openness del teacher, muestra dos agrupaciones visuales; t-SNE no prueba ortogonalidad, continuidad global, separación de los cinco rasgos ni independencia respecto al razonamiento. Para steering, el vector es la diferencia normalizada entre la media de una persona objetivo y una media neutral, sumada al residual con intensidad α. Aunque el método formula intervención en la capa L−1, la ablación recorre capas 10–20 y declara un óptimo 14–16 con boost 6–8. Las métricas «Villainy» y «Sanity» de los heatmaps no se definen, no tienen muestra, evaluador, repeticiones o incertidumbre, y el caption confunde color oscuro con mayor adherencia aunque la leyenda de Villainy usa tonos rojos para valores altos. No hay generaciones de ejemplo, comparación con prompting/SFT/LoRA, prueba en perfiles nuevos ni evaluación humana. Sobre todo, no se ejecuta ningún benchmark de razonamiento o inteligencia; por tanto, las afirmaciones de «alineamiento sin impuesto», «inteligencia original mantenida» y subespacios distintos de razonamiento no están probadas. El estudio es una demostración preliminar en un único modelo de 0,5B con etiquetas de otro LLM. Aporta una arquitectura posible y un error de regresión interno, pero no valida personalidad psicológica, control determinista, preservación de capacidades ni seguridad. El «Safety Interceptor» y la sustracción de vectores maliciosos son trabajo futuro, no resultados.