?arXiv 26-Nov-2025 LLM相关论文(10/52)
?更多论文见主页/合集
?arXiv ID: arXiv:2511.20072
?论文标题: MTA: A Merge-then-Adapt Framework for Personalized Large Language Model
? 问题背景：传统个性化大语言模型（PLLMs）采用“一用户一LoRA”范式，面临存储成本随用户数量线性增长、数据稀疏场景性能下降两大挑战，难以满足大规模部署需求。
? 研究动机：为解决上述问题，研究者提出MTA框架，通过构建共享元LoRA库、动态融合及轻量适配三级机制，实现可扩展且数据高效的个性化。
? 方法简介：MTA包含三阶段：1) 基于锚用户构建元LoRA库；2) 根据用户相似度动态融合多个LoRA；3) 堆叠超低秩LoRA进行小样本适配，兼顾协同知识与细粒度偏好。
? 实验设计：在LaMP基准的五个任务上测试，选取100个历史数据稀疏用户，对比RAG、OPPU等基线。评估指标涵盖准确率、F1、ROUGE等，验证了MTA的显著优势。
?更多论文见主页/合集
?arXiv ID: arXiv:2511.20072
?论文标题: MTA: A Merge-then-Adapt Framework for Personalized Large Language Model
? 问题背景：传统个性化大语言模型（PLLMs）采用“一用户一LoRA”范式，面临存储成本随用户数量线性增长、数据稀疏场景性能下降两大挑战，难以满足大规模部署需求。
? 研究动机：为解决上述问题，研究者提出MTA框架，通过构建共享元LoRA库、动态融合及轻量适配三级机制，实现可扩展且数据高效的个性化。
? 方法简介：MTA包含三阶段：1) 基于锚用户构建元LoRA库；2) 根据用户相似度动态融合多个LoRA；3) 堆叠超低秩LoRA进行小样本适配，兼顾协同知识与细粒度偏好。
? 实验设计：在LaMP基准的五个任务上测试，选取100个历史数据稀疏用户，对比RAG、OPPU等基线。评估指标涵盖准确率、F1、ROUGE等，验证了MTA的显著优势。
