两篇新研究论文解决了大型语言模型 (LLM) 中过度个性化的挑战。第一篇论文《通过结构化记忆缓解大型语言模型中的过度个性化》提出了一种在推理时修改向模型呈现记忆的方式，按领域划分记忆以减少跨领域泄露和记忆引起的谄媚。第二篇论文《SPRInG: 通过选择性参数适应和检索插值生成实现持续 LLM 个性化》引入了一个半参数框架，该框架使用漂移驱动的选择性适应来识别真实的偏好转移，并将参数知识与检索到的历史融合，以实现更稳健的持续个性化。 AI
影响 这些论文提供了新的技术来提高个性化 LLM 的可靠性和适应性，解决了它们在实际部署中的关键挑战。
排序理由 两篇在 arXiv 上发表的学术论文，提出了 LLM 个性化的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2608.08300v1 Announce Type: new Abstract: Conversational assistants increasingly rely on persistent long-term memory to personalize responses across sessions. However, when stored user information is reintroduced into the model context, it can also influence responses in in…
arXiv:2601.09974v2 Announce Type: replace Abstract: Personalizing Large Language Models typically relies on static retrieval or one-time adaptation, assuming user preferences remain invariant over time. However, real-world interactions are dynamic, where user interests continuous…