VISTA：通过少量问卷答案推断潜在用户价值观以引导 LLM

基于摘要分析。该研究面向语言模型的价值观个性化：从用户完整或部分问卷答案中推断潜在价值观画像，再通过超网络将其映射为冻结 LLM 中的用户特定引导干预，用于答案选项选择或自由文本生成。VISTA（Value-Informed Steering and Targeted Acquisition）还联合考虑询问哪些问题以及何时停止，以减少用户填写问卷的认知负担。 机制上，VISTA 将用户画像转化为模型内部的引导干预，而不是把画像作为额外提示词输入。其前提是用户价值观在不同任务间具有一定稳定性；摘要未披露潜在画像的具体表示、干预位置、损失函数及超网络训练方式，这些技术细节尚未验证。 作者报告，在提供相同用户证据的条件下，VISTA 在合成偏好任务 Food2D、World Values Survey（WVS）和 PrimeX 上达到或超过上下文画像方法的表现，且不增加提示词 token。作者另报告，在 WVS 的问卷获取评估中，VISTA 在完成问卷的 6% 后停止，仍保留使用完整回答历史时收益的 94%，而标准自适应测试最多保留 42%；这些比例指摘要所称的收益保留程度，并非 Accuracy，收益定义与具体对照设置尚未验证。 作者报告，主导引导方向对应一条可解释的价值观轴，并能准确定位未见用户；摘要未给出相应指标。实验协议、用户与任务划分、消融及统计信息尚未验证，也无法据此确认跨任务稳定性或部署成本。该工作的主要对象是 LLM 个性化与价值观对齐，并非神经信号建模；目前材料不足以建立具体 EEG/BCI 机制对应关系，不据此提出迁移效果判断或复现实验建议。