免训练激活引导框架 GLASS 在个性化文本生成基准上优于多类基线。
资讯摘要
论文提出 GLASS，一种免训练的个性化文本生成框架，通过全局-局部激活引导与稀疏先验实现个性化。它用稀疏自编码器从历史回复中提取全局用户风格先验，并在聚类交互场景上构建局部对比风格向量，推理时向不同模型层联合注入全局与局部向量，无需检索或参数更新。作者报告在 LaMP 与 LongLaMP 上，GLASS 在 ROUGE 指标和 LLM-as-judge 评估中优于基于检索、微调与激活引导的基线。
要点速读
- GLASS 为免训练框架，推理时向不同模型层注入全局与局部风格向量，无需检索或参数更新。
- 用稀疏自编码器提取全局用户风格先验，并在聚类交互场景上构建局部对比风格向量。
- 作者报告在 LaMP 与 LongLaMP 上，GLASS 在 ROUGE 指标和 LLM-as-judge 评估中优于检索、微调与引导类基线。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。