大型语言模型（LLM）的快速发展重新定义了生成式人工智能。然而，现代系统仍然受到三大挑战的制约：巨大的计算成本、不透明的评估机制以及有限的个性化能力。本论文旨在通过一个统一的目标——使生成式人工智能既高效又个性化——来应对这些挑战，并推进能够提高计算效率、可解释性和人机一致性的方法。
论文的第一部分介绍了能够释放神经网络潜在能力的架构技术。数据复用（DataMUX）使模型能够同时处理多个输入，从而在不牺牲准确性的前提下提高推理吞吐量。基于此，MUX-PLM 将复用扩展到预训练语言模型，并在标准自然语言处理（NLP）基准测试中展示了可扩展的多输入多输出（MIMO）推理能力。
论文的第二部分从计算转向理解。QualEval 引入了一个定性评估框架，用可解释的领域级洞察取代了单一数值指标。 QualEval 通过自动发现潜在任务领域并生成诊断报告，弥合了基准测试和指导改进之间的鸿沟，从而构建出透明且可改进的模型。
第三部分探讨了生成系统如何塑造现代信息生态系统。生成引擎优化 (GEO) 将人工智能搜索中的可见性形式化为一个黑盒优化问题，并引入了印象指标和基准测试 GEO-Bench。PersonaGym 则提供了一个大规模框架，用于通过规范性、指导性和描述性维度评估受角色条件影响的智能体。它通过对数百个模拟角色的测试，量化了人格一致性和偏差，为构建情境感知、以人为本的生成模型奠定了基础。
这些贡献共同描绘了一条通往高效个性化的统一路径——在这种范式下，生成系统能够经济高效地学习，清晰地解释其推理过程，并与人类进行真实的互动。
论文题目：Towards Efficient and Personalized Generative AI
作者：Murahari, Vishvak Saivenkat
类型：2025年博士论文
学校：Princeton University（美国普林斯顿大学）
请索引第146篇博士论文
 |  |
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢