标签
对AI智能体基于用户数据进行个性化时面临的挑战的反思，强调需要经过同意、有范围限制的访问，而非宽泛的记忆。
本文提出了 W-Switch 和 W-Composite 两种无需训练的方法，用于在文本到图像生成中组合多个 LoRA 模块，通过基于提示感知的重要性加权来减少概念干扰。该方法在 ComposLoRA 测试平台上进行评估，在视觉质量和身份保持方面均持续优于现有最先进方法。
介绍Ψ-Bench，一个用于评估大语言模型通过带有个人档案的说服性对话影响用户能力的基准。测试了10个前沿LLM，发现仍有显著改进空间，而访问档案平均提升18.24%的性能。
本文分析了LLM记忆限制，认为真正的个人AI需要单租户权重定制，这与当前多租户云经济模式相冲突，并指出开源权重模型可能是进步的关键来源。
本文介绍了表征准确性和一种行为规范作为AI个性化的解释层，表明与原始数据检索相比，它在大约25倍更少的上下文成本下提高了表征准确性，尤其是在需要解释的问题上。
本文提出Polar，一种多模态记忆增强框架，用于在长期用户交互中个性化具身MLLM智能体，利用知识图谱和情景记忆从累积上下文中定位用户意图的实例。
本文提出PUMA，一个用于多轮对话中LLM个性化的框架，该框架建模潜在用户状态，并利用自由能原理选择对话行为，在医疗咨询基准测试中提升了长程对话效果。
本文提出了一个统一的个性化智能体强化学习框架，将通用任务奖励与个性化偏好奖励解耦，引入了PARPO和PSGM用于偏好对齐的策略优化和技能检索。
本文介绍了PerMemBench，这是首个用于评估基于LLM的智能体中个性化记忆系统的基准测试，并提出了一个会话级存储门控框架，该框架根据个体用户上下文调整记忆策略。
Spotify 正在推出 AI 驱动功能，让用户通过提示生成个性化播客、安排每日或每周简报，并通过新的问答功能向高级用户询问播客剧集相关问题。
本文介绍了Spectral Souping，这是一种通过发现通用谱表示来高效对齐LLM与个体用户偏好的框架，该表示能在推理时合并专门策略，无需昂贵的重新训练。
Google I/O 2026 展示了一个愿景：搜索框演变为无处不在的 AI 助手，能够执行任务、生成内容，并在 Google 生态系统（包括搜索、Gemini、Workspace 和 YouTube）中提供个性化体验。
ThoughtTrace 引入了一个大规模数据集，将真实世界的多轮人机对话与用户的自我报告想法配对，通过想法引导的重写来改进用户行为预测和个性化助手训练。
本文提出了一种上下文工程中的范式转变，将其形式化为一个推荐问题。作者介绍了神经协同上下文工程（NCCE），该框架利用协同过滤动态分配实例特定的上下文，从而提升LLM任务准确性。
介绍了能力条件化支架，一种用于大语言模型协作的框架，根据用户专业领域调整干预措施以防止专业领域漂移，并在MMLU子集上进行了试点评估。