Naukowcy z arXiv przeanalizowali 22 duże modele językowe, prosząc je o samodzielne ocenę ponad 460 par cech osobowości. Otrzymane profile zostały następnie porównane z sześciowymiarową przestrzenią archetypów opartą na badaniach ponad 2000 fikcyjnych postaci. Wyniki pokazały wyraźny podział między modelami: systemy zamknięte jak GPT-4.0-5.2, Claude Sonnet 4.5/4.6 czy Gemini 2.5 wykazały spójne i logicznie zorganizowane archetypy przypominające postaci z literatury, takie jak Data, Vision czy Janet.
Modele open-source takie jak Llama, DeepSeek czy Qwen wykazały znacznie słabsze i bardziej szumne reprezentacje siebie, z wewnętrznymi sprzeczościami zajmującymi rozproszoną część przestrzeni archetypowej. Najbardziej interesujące odkrycie ujawnia jednak lukę między tym, co modele mówią o sobie, a tym, co faktycznie wynika z ich projektów i wytycznych od twórców.
Badanie wskazuje, że charaktery modeli są rzeczywistymi i trwałymi cechami, które wpływają na to, jak systemy podejmują decyzje, opierają się poleceniom i popełniają błędy. Zrozumienie tej struktury ma znaczenie dla lepszego przewidywania zachowań AI, oceny bezpieczeństwa i projektowania bardziej przejrzystych systemów. Fakt, że modele open-source wykazują większy chaos wewnętrzny, sugeruje, że brak centralnego projektowania może prowadzić do niespójnych i trudnych do przewidzenia zachowań.