Naukowcy opublikowali badania nad nową metodą personalizacji dużych modeli językowych przy użyciu autentycznych profili użytkowników. Zamiast tradycyjnych sztywnych, syntetycznych osób (personas), zespół zaproponował technikę zwaną profile behavioral grounding, która ekstrahuje otwarte, wysokiej wierności profile użytkowników bezpośrednio z anonimowych postów z mediów społecznościowych.
Istotą innowacji jest przejście od stereotypowych, flat persona do rzeczywistych, nuansowanych sygnałów odzwierciedlających preferencje ludzi. Badacze testowali swoje podejście w dwóch paradygmatach: personalizacji w fazie treningu poprzez supervised fine-tuning (SFT) oraz nieparametrycznym rozumowaniu wieloperspektywowym w fazie testowania. Wyniki na kompleksowych benchmarkach rekomendacji i otwartych zapytaniach wykazały, że profile oparte na zachowaniu konsekwentnie poprawiają modele bazowe i przewyższają baselines z syntetycznymi profilami.
Znaczenie tego rozwiązania leży w możliwości tworzenia znacznie bardziej zróżnicowanych i efektywnych systemów języka naturalnego. Behawioralnie ugruntowane profile umożliwiają silniejsze parametryczne wyrównanie modeli i bogatszą, wielofacetyczną argumentację. Kod projektu jest dostępny na GitHub ServiceNow, co otwiera drogę dla dalszych prac nad personalizacją AI opartą na rzeczywistych danych zachowań użytkowników.