All Posts

这篇论文推出了 Mem0，一种专为 AI 智能体设计的可扩展长期记忆架构，通过动态提取对话精华并利用图谱化表示（Mem0g），实现了在多轮会话中维持高度的一致性，同时比传统全上下文方法降低了 91% 的延迟和 90% 以上的成本。

现在的AI大模型大多是"万人一面"的，无论谁问它，它给出的回答都大同小异；而这篇论文探讨的是如何让AI实现"量体裁衣"式的个性化。它总结了目前学术界让AI学习用户历史对话、写作风格和个人偏好的各种技术手段，并将这些方法系统地归纳为改变说话方式（提示词）、调整大脑结构（模型适配）和校准价值偏好（目标对齐）三个层面。其最终目标是构建一个不仅能记住你的历史，还能适应你的需求，并随着你的成长而不断进化的私人智能伙伴。

首次对大语言模型（LLM）的个性化对齐进行了系统全面的综述，并提出了一个整合了偏好记忆管理、个性化生成与奖励、以及反馈对齐的统一框架，旨在让模型在不突破通用伦理边界的前提下，精准适应不同用户的多样化需求。

研究发现，虽然利用"角色设定"（Persona Prompting）能略微提升大模型生成内容的词汇多样性，但细粒度的详细角色描述在增加多样性方面并无显著优势，其效果甚至不如简单地在提示词中加入"字数限制"指令有效。

这篇论文提出了 CharacterGPT 框架，通过一种名为"角色人格训练"（CPT）的方法，从小说章节摘要中增量提取并结构化角色特质，从而显著提升了角色扮演智能体在不同叙事阶段的人格一致性与角色知识还原度。

这篇论文通过对63项大语言模型角色模拟研究的系统性审查，揭示了当前研究在任务定义与目标人群界定上存在严重模糊性以及生态效度不足的现状，并为此提出了一个包含六大维度的"角色透明度检查表"，旨在提升合成角色实验的科学严谨性与现实代表性。

本论文系统地回顾了角色扮演语言智能体（RPLAs）的研究现状，建立了一个从群体特征（人口统计学人格）到知名人物（角色人格），再到私人定制（个性化人格）的三级人格分类体系，并全面总结了其构建方法、评估标准及潜在的伦理风险。