Naukowcy przedstawili PersonaLink - nową metodę, która zamiast pobierać fragmenty historii użytkownika do każdego zapytania, kompresuje całą historię w jedną zwartą personę opisaną trzema polami tekstu. Każda persona jest rekurencyjnie ulepszana poprzez samoewaluację na danych testowych użytkownika - model zamrożony (7B parametrów) ocenia swoją pracę, a persona jest przepisywana na podstawie błędów, ale tylko jeśli wynik się nie pogarsza.
Badania na 200 użytkownikach zadania LaMP-2 (15-kierunkowa klasyfikacja wiadomości) ujawniły interesującą asymetrię. PersonaLink osiągnął dokładność 0,745-0,755, która statystycznie nie różni się od tradycyjnego retrieval z BM25 (0,760-0,765). To oznacza, że skompresowana persona może być równie efektywna co wyszukiwanie najbardziej trafnych przykładów z historii. Jednocześnie metoda ma znaczące praktyczne zalety - persona jest niezmienna względem zapytania, ograniczona w rozmiarze i w pełni interpretowalna dla człowieka.
Jednak autorzy odkryli ograniczenie tego podejścia. Na zadaniach regresji (gdzie model musi przewidzieć wartość liczbową, nie kategorię) persona nie dorównywała retrieval. Wynik wskazuje, że skuteczność metody zależy od typu problemu. Badania były prowadzone na zamrożonym modelu, co izoluje wpływ reprezentacji persona od samego modelu, dając czyste porównanie między strategiami adaptacji do indywidualnych użytkowników.