CLIPer：通过分类器引导的推理时间个性化定制不同的用户偏好

个性化 LLM 可以通过根据偏好（例如乐于助人、简洁和幽默）定制响应来显着增强用户体验。然而，用于解决用户偏好的所有可能组合的 微调 模型在计算上是昂贵且不切实际的。在本文中，我们介绍了 \textbf{CLIPer}（\textbf{Cl}assifier-guided \textbf{I}nference-time \textbf{Per}sonalization），这是一种轻量级个性化方法，利用分类器模型在推理时动态引导 LLM 生成到不同的用户偏好。我们的方法消除了对大量 微调 的需求，产生的额外计算开销可以忽略不计，同时跨单维和多维偏好实现更可控和更细致的个性化。全面的实证分析证明了我们的方法在提供个性化语言生成方面的可扩展性和有效性。