user-modeling

本文提出'协作观察'作为个人智能的框架，强调人工智能系统与用户之间的反馈循环，以改善辅助效果、信任与隐私保护。文中报告了基于使用长达六个月的 Organizm 原型的初步案例研究，并概述了评估方向。

The paper proposes an Inverse Theory of Mind (IToM) pipeline that infers user beliefs, preferences, and decision-making traits from observed interactions, using LLM-driven counterfactual reasoning to synthesize structured user personas for adaptive content recommendation across modalities, including a VisionOS spatial banking app.

介绍了SERUM，一种多遍框架，通过分层VLM标注从原始自我中心视频中提取用户行为和意图的结构化模型，减少幻觉现象，并生成无需人工标注的可解释过程模型。

介绍IRIS框架，该框架无需显式反馈即可从隐式交互流中学习动态用户画像，在决策预测上优于静态和仅记忆基线。

本文认为，智能体应帮助用户构建偏好，而非假设用户已有完善偏好，并提出了CoPref模型和CoShop基准。评估显示，即使是前沿模型，由于偏好扩展不足，准确率也仅为56%。

ScaleToT提出了一种方法，旨在将结构化LLM推理泛化到十亿级低活跃用户建模中，通过思维树（ToT）精炼和训练学生模型来降低成本。在广告部署中的在线A/B测试显示，LT30提升了6.738%。

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。

IPQA引入了一个用于评估个性化问答中核心意图识别的基准，解决了现有指标仅关注响应质量而非意图理解的空白。论文提出了一种基于有界理性的数据集构建方法，并证明最先进的语言模型在从答案选择模式中识别用户优先意图时存在困难。