MoF：面向黑盒 LLM 个性化的偏好感知混合建模

基于摘要分析。该研究针对黑盒 LLM 个性化中用户专属评分头导致参数量随用户数线性增长、未见用户需要额外适配的问题，提出 Mixture-of-Facets（MoF）。核心贡献是将用户偏好表示为共享潜在偏好 facet 的组合，通过用户历史条件下的路由实现个性化，而非为每位用户维护专属参数。 机制上，MoF 在共享 facet heads 之间进行历史条件路由；摘要称，对于训练期间未见的用户，该框架也可在不额外更新参数的情况下实现个性化。这里的“无需参数更新”不等于无需用户历史，历史条件仍是方法的关键输入。摘要未说明历史的编码方式、facet 的学习目标、路由形式，以及评分头如何影响黑盒 LLM 的最终输出，相关实现细节尚未验证。 作者报告，在多种个性化任务上，MoF 相比既有方法获得更强的个性化表现，并具有更好的可扩展性与参数效率；作者报告，额外分析显示其对未见用户具有较强泛化能力。摘要未提供任务名称、数据集、用户划分、对照方法、具体指标或参数开销，因此目前无法判断优势幅度及适用范围。实验协议、消融及统计信息尚未验证，复现需核对用户级训练与测试划分、历史输入条件，以及用户规模变化时的性能和参数成本。 该材料研究的是 LLM 用户偏好个性化，并非 EEG 信号解码或 BCI 验证。共享潜在偏好不能直接等同于跨被试生理特征；目前没有足够证据建立具体的 EEG 迁移路径，已有 EEG 相关工作尚未检索确认。