AuthorMix：通过分层适配器混合进行模块化作者风格转移

作者风格迁移的任务涉及以目标作者的风格重写文本，同时保留原始文本的含义。现有的风格迁移方法在大型语料库上训练单个模型，以同时对所有目标风格进行建模：这种高成本方法为特定目标的适应提供了有限的灵活性，并且经常牺牲风格迁移的意义保存。在本文中，我们提出了 AuthorMix：一个轻量级、模块化、可解释的风格转换框架。我们首先在一小部分高资源作者上训练单独的、特定风格的 LoRA 适配器：这允许通过强化学习使用分层适配器混合来快速训练每个新目标的专门适应模型，只需要少量的目标风格训练示例。 AuthorMix 在包括 GPT-5.1 在内的所有基线中，在风格-含义综合得分上排名第一，并且比训练后的基线显着提高了含义保留；在人类评估下，它是唯一在每个维度上都最好的方法。