怎么作念个爆款大模子愚弄？怀化锚索
这或许是 2026 年 AI 建造者们都在关心的问题。当算力和能不再是唯的护城河，"爆款"意味着大模子要能地"收拢"每名具体的用户，而个化恰是其中的要道技能之。
那么，大模子时间应该若何作念个化呢？面，传统的荐系统和对话模子经常依赖 ID Embedding 或特定参数（如 LoRA）来暗示用户偏好。这种不成解释、难以搬动的"黑盒"范式，正在成为镣铐。另面，大模子坚决的理能力和生成能力为破传统范式的局限带来了契机，让个化不错从"黑盒"走向"白盒"。
近日，蚂蚁和东北大学询查团队（后简称"团队"）出 AlignXplore+，在大模子个化上达成了种文本化用户建模的新范式，让复杂的用户偏好不错被东说念主和机器同期相识，同期具备很好的膨胀和搬动。
为什么是"文本"？
△ 图 1 个化域从基于向量 / 参数的用户暗示向基于文本的用户暗示的范式换取。
( a ) 传统法生成的用户属参数和向量与检修模子考究耦，因此法搬动。
( b ) 团队始创了种基于文本的范式，该范式能断出与模子和任务关的偏好转头，动作通用接口，赋能各样下流模子完成各样化任务。
事实上，按照当今的个化技能阶梯，论是静态的用户向量照旧为每个用户微调个模子，实验上都是不透明的"黑盒"。
团队以为，这种暗示式有两项根底的痛点：
1. 不成解释：用户法相识、也法修改被系统界说的"我方"，这在防御隐秘和肆意权的 AI Agent 时间是不成禁受的。
2. 法搬动：要道的是，向量和参数频繁与特定的模子架构度绑定。你在荐系统里的恒久酷好，法径直被聊天机器东说念主复用；你在 A 模子里的画像，换了 B 模子就成了乱码。
"文本是通用的接口，而向量是封锁的孤岛。"
基于这么的底层念念考，团队提倡了种范式周折：舍弃隐空间中的向量，径直用当然说话来归纳和相识析用户的偏好。
这种基于文本的偏好归纳，不仅东说念主眼可读、可控，勤奋的是它解耦了偏好理与下流的模子和任务——论是荐、写稿照旧闲聊，论是 GPT、Llama 照旧 Qwen，都不错缝"读懂"这个用户。
AlignXplore+：三大中枢特，重构用户相识范式
比较于现存的用户相识和对都法，AlignXplore+ 达成了三大杰出：
1. 全域通用：破数据孤岛。
AlignXplore+ 不再局限于单的交互面孔。它被联想用于处理果真全国中异构的数据源。论是应付集会上的发帖、电商平台的，照旧新闻流的浏览纪录，AlignXplore+ 都能将其统消化，索要出价值的偏好摘录。这使得它简略从碎屑化的数字萍踪中，拼集出个好意思满的用户全貌。
2. 致搬动：次画像，处处通用。
从"单任务"到"万能愚弄"，它破了任务鸿沟，将能力从反应聘请膨胀到了荐和生成等平素的个化愚弄中；从"特定模子"到"通用接口"，它果真达成了跨模子的搬动。AlignXplore+ 生成的画像，不错被任何下流大模子径直读取和使用。
3. 实战适配：惧果真全国数据噪点。
手机号码：13302071130果真全国的交互是流式的，亦然充满噪点的。AlignXplore+ 不需要每次都重新"阅读"用户的生，而是像东说念主类缅想样，基于旧的摘录和新的交互不停演化；而濒临果真场景中常见的"不信号"（如穷乏明确负反馈的数据和跨平台混数据），预应力钢绞线它依然能保抓矫健的理能力，受杂音打扰。
AlignXplore+ 具体是什么？怀化锚索
团队提倡了种面向大模子个化对都的统框架，中枢贪图惟有个：让大模子在不重训、不续训前提下，抓续相识用户。
△ 图 2 检修框架综合。
该框架包含两个主要阶段。
( a ) SFT 阶段：通过"生成 - 考证 - 并"历程创建质料检修数据，该历程通过确保对多个改日交互的准确瞻望，综生成的偏好转头。
( b ) & ( c ) RL 阶段：此阶段摄取课程剪枝计策，考中理密集型样本，并通过蕴蓄励函数化偏好转头，以提高流式场景中的恒久有。
在这个框架下，团队将"用户偏勤学习"拆解为两个中枢神志：
1. SFT 阶段：质料数据的"生成 - 考证 - 融"。为了科罚文本化的偏好归纳"太泛"或"太偏"的问题，团队联想了套 Pipeline，让模子基于多种可能的改日交互行径来反刻下的偏好，并引入了"行径考证"机制，确保生成的用户偏好能准确瞻望用户行径。
2. RL 阶段：面向改日的"课程学习"仅有 SFT 是不够的。团队引入了强化学习（RL），并联想了两个要道机制：
课程剪枝（Curriculum Pruning）：筛选出那些"难但可解"的理价值样本，避模子在浅易或不成解的样本上空转；
蕴蓄励（Cumulative Reward）：让模子不仅关心刻下的偏好有，要关心生成的用户偏好在改日抓续交互中的可演化，适合流式新。
AlignXplore+：小参数撬动大模子，越基线
相较于现存法，AlignXplore+ 在用户相识准确、搬动能力和鲁棒上达成了升。
1. 果升：8B 模子越 20B/32B 开源模子
在包含荐（Recommendation）、复兴聘请（Response Selection）和复兴生成（Response Generation）的九大基准测试中，仅有 8B 参数的 AlignXplore+ 在平平分数上获取了 SOTA 的收获。
平均得分 75.10，对提高幅度比 GPT-OSS-20B 出 4.2。
在复杂任务上发达尤为隆起（如 AlignX），考证了显式理比隐式向量能捕捉层意图。
2. 搬动能力升：果真达成"次画像，处处通用"
AlignXplore+ 生成的用户偏好，展现了惊东说念主的 Zero-shot 搬动能力：
跨任务搬动（Cross-Task）：在对话任务中生成的偏好，径直拿去指新闻荐，依然有。
跨模子搬动（Cross-Model）：这是文本接口的大势。AlignXplore+ 生成的偏好，径直给 Qwen2.5-7B 或 GPT-OSS-20B 等不同的下流模子使用，均能带来矫健的能提高。这意味着你的用户偏好不再被单模子锁定。
3. 鲁棒升：适合果真全国的"不数据"
果真场景经常惟灵验户的纪录（正样本），而穷乏明确的负反馈。实验标明，即便移除了通盘的负样本，AlignXplore+ 依然保抓了权贵的能势，展现了坚决的理鲁棒。
用户的果真历史行径经常是杰出多种域的。实验成果显露，即使将不同域的历史纪录（如电影 + 政新闻）混在起，AlignXplore+ 依然能抽丝剥茧，捕捉多重酷好，而不像传统模子那样将酷好"平均化"。
面向改日：构建透明、互通的 User-Centric AI
尽管 AlignXplore+ 也曾解说了"文本即接口"在个化域的纷乱后劲，但这仅仅个驱动。团队以为，跟着 AI Agent 的爆发，用户暗示（User Representation）将成为通不同 Agent 的中枢契约。下步，团队将连续探索：
流式理的限：在长周期的流式交互中，如安在新文本偏好时保抓纯粹与？
的用户行径：在果真全国的多种异构用户数据中，如何地挖掘出用户的果真、的偏好？
通用的检修范式：在濒临各样化的交互面孔时，如何构建果真的通用个化理引擎？
作家先容
该职责得作家为东北大学软件学院博士生刘禹廷，当今在蚂蚁实习。蚂蚁询查员武威为共同孝敬者及通信作家。
关联聚合
Arxiv：
https://arxiv.org/pdf/2601.04963
GitHub：
https://github.com/AntResearchNLP/AlignXplorePlus
Huggingface：
https://huggingface.co/VanillaH1/AlignXplore-Plus
键三连「点赞」「转发」「留意心」
宽饶在批驳区留住你的见识！
— 完 —
咱们正在招聘名眼疾手快、关心 AI 的学术裁剪实习生 � �
感酷好的小伙伴宽饶关心 � � 了解细目
� � 点亮星标 � �
科技前沿进展逐日见怀化锚索
相关词条:铝皮保温 隔热条设备 钢绞线厂家玻璃棉 泡沫板橡塑板专用胶