Le paramétrage de rôle (Role Setting) est une configuration permettant, via des prompts système, des cartes de rôle ou un fine-tuning, de faire parler le modèle avec une identité, un ton et des limites de connaissances spécifiques. Il ne s’agit pas seulement de répondre à la question « est-ce que cela ressemble au rôle ? », mais aussi d’assurer la cohérence : un même personnage ne doit pas se contredire au fil des échanges et ne doit pas dépasser ses paramètres pour répondre à des questions qu’il ne devrait pas aborder.

Les premières formes de paramétrage de rôle étaient les chatbots à base de règles. En 1966, Weizenbaum, dans son article ELIZA—A Computer Program For the Study of Natural Language Communication Between Man and Machine, utilisait la correspondance de motifs pour imiter le ton d’un psychothérapeute, démontrant que la « personnalité » pouvait être façonnée uniquement par des règles de dialogue. À l’ère des grands modèles, le paramétrage de rôle provient davantage des pratiques produit et est généralement intégré dans les prompts système, avec une priorité supérieure aux entrées utilisateur standard.

Le premier benchmark systématique pour le paramétrage de rôle est RoleLLM. En 2023, Wang et al. ont, dans leur article RoleLLM: Benchmarking, Eliciting, and Enhancing Role-Playing Abilities of Large Language Models, construit des profils de rôle pour 100 personnages, extrait des connaissances spécifiques au rôle via Context-Instruct, imité le style de parole via RoleGPT, puis effectué un fine-tuning d’instructions conditionné par le rôle via RoCIT.

Le support d’évaluation du paramétrage de rôle est RoleBench — un ensemble de 168 093 échantillons, constituant le premier benchmark systématique et granulaire au niveau du rôle. Les modèles RoleLLaMA (anglais) et RoleGLM (chinois), obtenus par fine-tuning, améliorent significativement les capacités de jeu de rôle, s’approchant même des méthodes pilotées par GPT-4. La cohérence du rôle est fondamentale pour l’accompagnement par IA, les PNJ de jeux vidéo, la personnification de marque et les simulations pédagogiques ; toutefois, une immersion excessive peut amplifier les biais ou contourner les garde-fous de sécurité. Le paramétrage de rôle nécessite donc des critères d’évaluation mesurables, et non pas seulement une impression subjective de ressemblance.