一篇新的研究论文分析了用于个性化大语言模型 (LLMs) 的监督微调 (SFT) 与上下文内学习 (ICL) 之间的权衡。研究表明，SFT 和 ICL 之间的最佳选择取决于预训练覆盖率和数据信噪比等因素，其他用户的拥塞可能会改变这些偏好。研究还表明，提供这两种个性化方法可以在不一定增加计算负载的情况下最大化平台利润。使用 GPT-2 进行的实验以及对 21 个 AI 平台的审查支持了这些发现，显示在 2021 年至 2025 年间提供 SFT 和 ICL 的平台数量显著增加。 AI
影响 为理解和优化大语言模型个性化策略提供了框架，可能影响平台设计和用户在模型适应方面的投资。
排序理由 该集群包含一篇在 arXiv 上发表的研究论文，详细介绍了对大语言模型个性化技术的理论分析和实验验证。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.14371v1 Announce Type: cross Abstract: Large Language Models (LLMs) have revolutionized AI services, but a critical tension emerges: while personalization improves model performance, it consumes scarce computational resources that users must share. When should a user i…
Large Language Models (LLMs) have revolutionized AI services, but a critical tension emerges: while personalization improves model performance, it consumes scarce computational resources that users must share. When should a user invest in expensive Supervised Fine-Tuning (SFT) ve…