PersonalBench：测量 LLM 个性化中的作者差距

个性化文本生成旨在使 LLM 以特定个人的风格进行写作，但现有基准衡量的是任务准确性或偏好一致性，而不是模型的输出是否实际上类似于目标作者的写作。我们引入了 PersonalBench，这是一个通过三个独立镜头评估推理时间个性化方法的基准：LUAR（经过训练的作者身份验证模型）、LLM 作为评判者和自动文体测量学。在 50 位作者、1,000 代和两个模型家族（Qwen 3、GLM-4）中，我们发现个性化方法确实产生了作者差异化的输出（LUAR 在 AUC=0.918 处区分生成文本中的目标作者），但这种差异从未跨越人类 LLM 边界。所有方法与真实作者的 LUAR 相似度在 0.484-0.508 范围内，低于跨作者人类下限 0.626（上限 0.756）。 LLM 自己的作者身份指纹占主导地位：生成的文本与任何人类作者的距离比随机人类彼此之间的距离更远。尽管在 LLM 判断上出现差异，但在 LUAR 上，方法在统计上彼此无法区分（分布为 0.024），我们将这种差异归因于性状提取和概况提取之间的循环性。我们验证了 LUAR 能够可靠地衡量我们语料库中的作者身份（AUC=0.76 单帖子，0.96 多帖子）。我们发布 PersonalBench 作为校准测量棒：推理时个性化调整了 LLM 的风格，但并未弥合与人类作者之间的差距。