PerFit：探索 LLM 表征空间中的个性化偏移

基于摘要分析。本文研究 LLM 如何适配用户的隐式偏好与行为模式，提出 PerFit，通过两阶段微调隐藏表征空间中的干预，分别处理用户间共享的偏移与用户特异的偏移，旨在兼顾个性化效果与参数效率。 作者报告，用户个性化信息位于由向量表示的低秩子空间中，这些向量既包含跨用户共享的整体偏移，也包含各用户独有的个性化偏移。PerFit 以此为依据直接调整表征干预，而非仅依赖摘要列举的免微调方法 RAG、PAG 或参数微调方法 LoRA。摘要未说明低秩子空间的识别方式、干预位置、两阶段训练的具体划分、损失函数及用户监督信息，相关机制细节尚未验证。 作者报告，在六个数据集上的个性化实验中，PerFit 表现较强，且相较于文中所称的最先进方法，参数数量平均减少 92.3%。摘要未给出数据集名称、任务指标、对照方法名称及参数统计口径，因此这一结果不能解读为总模型参数减少，也不足以判断性能提升幅度或实际训练、推理开销。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：共享偏移与个体偏移的分离可作为 EEG 跨被试适配的一项机制假设，但原研究处理的是 LLM 用户偏好，不是神经信号解码。迁移依赖 EEG 表征中存在可分离的共享与被试特异低秩结构；可尝试复用低秩表征干预思想，但需改造信号编码器、任务监督和被试适配流程。低信噪比、通道差异及小样本可能使个体偏移捕获伪迹而非任务信息。一个可检验的小实验是在固定 EEG 编码器和一致的跨被试划分下，比较共享干预、被试特异干预及两者组合，限定相同目标被试校准数据，检验分离偏移是否改善预先指定的解码指标。相关 EEG 工作尚未检索确认。