사회적 상호작용에서 멀티모달 거대 언어 모델 (Multimodal Large Language Models, MLLMs)의 광범위한 배포와 함께, 복잡한 인격 조건 하에서 모델의 행동을 이해하고 제어하는 것이 필수적입니다. 본 논문은 명시적인 인격 조건화 (personality conditioning)를 소개하고, 단일 인격 유도 (single-personality induction), 다중 인격 유도 (multi-personality induction), 그리고 인격 전환 (personality switching)을 아우르는 체계적인 평가 프레임워크를 구축합니다. 실험 결과, 인격 유도는 이미지 캡셔닝 (image captioning) 성능을 향상시키지만, 시각적 질의응답 (Visual Question Answering, VQA)과 같이 정밀한 추론을 요구하는 작업에서는 성능을 저하시킬 수 있음을 보여줍니다. 다중 특성 구성 (multi-trait composition) 및 동적 전환 과정에서 균형 효과 (balancing effects)와 잔류 효과 (residual effects)가 관찰되었으며, 이는 모델의 행동이 이전 인격 제약과 현재의 인격 제약 모두에 의해 공동 조절 (co-modulated)됨을 나타냅니다. 기존의 프롬프트 기반 인격 유도 방법들은 멀티모달 환경으로의 전이 가능성 (transferability)이 제한적임을 보여줍니다. 본 연구는 MLLM에서 인격 모델링의 역동적이고 복잡한 특성을 밝혀내며, 인격 유도 및 평가를 위한 견고하고 맞춤화된 방법론의 필요성을 강조합니다. 코드는 논문이 승인되면 공개될 예정입니다.