来自野外的基于行为的用户配置文件，用于个性化调整和多视角推理

角色驱动的技术越来越多地使 大语言模型 (LLM) 适应不同的环境。然而，现有的方法主要依赖于僵化的、合成的角色，这些角色会扁平化个体差异，依赖于刻板印象，并且错过了驱动人类实际偏好的微妙信号。我们引入了个人资料行为基础，这是一个直接从真实、匿名的社交媒体帖子中提取开放式、高保真用户个人资料的框架。我们通过两种范式评估这些配置文件：通过监督微调（SFT）的训练时个性化和非参数测试时多视角推理。在复杂的推荐和开放式查询基准中，基于行为的配置文件不断改进基础模型并超越合成配置文件基线，推动更强大的参数对齐并实现更丰富、多方面的推理。我们的研究结果建立了开放式、行为衍生的档案，作为下一代个性化语言系统的高度多样化和有效的基础。我们的代码库位于 https://github.com/ServiceNow/behavior-grounding。