在人工智能大模型競爭日益激烈的當下，如何打造一款能精準“抓住”用戶的爆款應用，成為眾多開發者關注的焦點。當算力與性能不再是唯一優勢，個性化技術成為關鍵突破口。傳統推薦系統和對話模型依賴ID Embedding或特定參數表示用戶偏好，這種“黑盒”范式存在不可解釋、難以遷移等問題，限制了個性化發展。而大模型強大的推理與生成能力，為打破這一局限帶來新契機，推動個性化從“黑盒”走向“白盒”。
近日，一支由螞蟻與東北大學研究人員組成的團隊，在大模型個性化領域取得重要進展，推出AlignXplore+。該成果實現文本化用戶建模新范式，讓復雜用戶偏好既能被人理解，也能被機器解讀，還具備良好擴展性與遷移性。傳統個性化技術路線下，無論是靜態用戶向量還是為每個用戶微調模型，本質都是不透明的“黑盒”。團隊指出，這種表示方式存在兩大痛點：一是不可解釋性，用戶無法理解、修改系統定義的“自己”，在注重隱私與控制權的AI Agent時代難以接受；二是無法遷移，向量和參數與特定模型架構深度綁定，推薦系統里的興趣無法被聊天機器人復用，不同模型間的畫像也難以通用。
基于這些思考，團隊提出范式轉移：摒棄隱空間向量，直接用自然語言歸納和推理解析用戶偏好。這種基于文本的偏好歸納，人眼可讀、可控，且完全解耦偏好推理與下游模型和任務。無論是推薦、寫作還是閑聊，也無論是GPT、Llama還是Qwen，都能無縫“讀懂”用戶。
AlignXplore+具有三大核心特性，重構用戶理解范式。其一，全域通用，打破數據孤島。它不局限于單一交互形式，可處理真實世界中異構數據源，如社交網絡發帖、電商平臺點擊、新聞流瀏覽記錄等，能提煉高價值偏好摘要，拼湊完整用戶全貌。其二，極致遷移，一次畫像，處處通用。從單一任務到全能應用，它打破任務邊界，將能力擴展到推薦和生成等廣泛個性化應用；從特定模型到通用接口，實現跨模型遷移，生成的畫像可被任何下游大模型直接讀取使用。其三，實戰適配，無懼真實世界數據噪點。真實世界交互流式且充滿噪點，AlignXplore+無需每次都重新“閱讀”用戶所有歷史，像人類記憶一樣，基于舊摘要和新交互不斷演化；面對“不完美信號”，如缺乏明確負反饋的數據和跨平臺混合數據，仍能保持穩定推理能力，免受噪音干擾。
AlignXplore+是一個面向大模型個性化對齊的統一框架，核心目標是讓大模型在不重訓、不續訓前提下持續理解用戶。該框架包含兩個主要階段。SFT階段通過“生成 - 驗證 - 合并”流程創建高質量訓練數據，確保對多個未來交互的準確預測，綜合生成全面偏好總結。RL階段采用課程剪枝策略，選取推理密集型樣本，并通過累積獎勵函數優化偏好總結，提升流式場景中的長期有效性。
在這個框架下，團隊將“用戶偏好學習”拆解為兩個核心步驟。SFT階段，為解決文本化偏好歸納“太泛”或“太偏”問題，設計一套流程，讓模型基于多種可能未來交互行為反推當前偏好，并引入“行為驗證”機制，確保生成的用戶偏好能準確預測用戶行為。RL階段，僅有SFT不夠，團隊引入強化學習，設計課程剪枝和累積獎勵兩個關鍵機制。課程剪枝篩選出“難但可解”的高推理價值樣本，避免模型在簡單或不可解樣本上空轉；累積獎勵讓模型關注生成的用戶偏好在未來持續交互中的可演化性，適應流式更新。
相較于現有方法，AlignXplore+在用戶理解準確性、遷移能力和魯棒性上實現全面升級。在效果上，8B參數的AlignXplore+在包含推薦、回復選擇和回復生成的九大基準測試中，平均分數取得SOTA成績，平均得分75.10%，絕對提升幅度比GPT - OSS - 20B高出4.2%，在復雜任務上表現尤為突出，驗證顯式推理比隱式向量更能捕捉深層意圖。在遷移能力上，生成的用戶偏好展現驚人Zero - shot遷移能力。跨任務遷移方面，對話任務中生成的偏好，直接指導新聞推薦依然有效；跨模型遷移方面，生成偏好給Qwen2.5 - 7B或GPT - OSS - 20B等不同下游模型使用，均能帶來穩定性能提升，用戶偏好不再被單一模型鎖定。在魯棒性上，真實場景往往只有用戶點擊記錄（正樣本），缺乏明確負反饋，實驗表明，即便移除所有負樣本，AlignXplore+依然保持顯著性能優勢，展現強大推理魯棒性。用戶真實歷史行為跨越多種領域，實驗結果顯示，即使混合不同領域歷史記錄，AlignXplore+依然能精準捕捉多重興趣，不像傳統模型那樣將興趣“平均化”。
