个性化 LLM 只需 5% 对话文本即可匹配全历史效果
原文标题：Do Personalized LLMs Need the Whole Conversation? Matching the Full History with Only 5% of Its Text via Relevance-Filtered Context
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究显示，在 PersonaMem-v2 基准上，通过句子级检索构建的相关性过滤上下文仅用 5% 文本即可匹配全历史准确率，将输入缩减约 20 倍。检索方法只需小型嵌入模型，而 LLM 摘要需读取全部历史，表明更好的上下文选择有望超越全历史。
- 问题
- 个性化助手把全部对话历史塞给LLM成本高，且未必必要。
- 方法
- 用句子级检索按与当前请求的相似度排序历史并截断到固定预算，构建相关性过滤上下文，对比LLM摘要。
- 结果
- 仅用5%文本即匹配全历史准确率，输入缩减约20倍；仅61%问题检索到相关证据，oracle仅用该证据超全历史15.6分。
- 影响
- 做个性化助手的团队可用小嵌入模型替代全历史或LLM摘要，大幅降本，且上下文选择仍有提升空间。
深读 · 结论先行AI 生成展开看要点与影响 ↓
个性化LLM只需5%对话文本即可匹配全历史准确率，输入缩减约20倍
- •在PersonaMem-v2（180题）上，句子级检索按相关性排序并设固定预算，用5%文本匹配全历史准确率
- •评判方为GPT-5.6-terra与Claude Opus 5.5，输入量缩减约20倍
- •同长度LLM摘要效果相当，但需LLM读完整历史；检索只需小型嵌入模型
- •检索仅在61%的问题中把相关证据放入上下文；仅给该证据的oracle比全历史高15.6分
为什么重要：直接降低长对话个性化助手的上下文成本，且指出上下文选择质量而非长度才是上限所在，对做记忆/检索系统的团队有参考价值。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。