Re-Centering Humans in LLM Personalization
実装難易度
Easy
推論・学習コスト
High
想定用途
技術検証・論文読解補助
概要
Despite growing interest, most evaluations of large language models' (LLMs') personalization abilities have relied on synthetic data. It remains unclear how well current personalization systems work for real users. In this paper, we study the gap in LLM personalization performance when using synthetic versus human data. We collect human conversations (550 conversations) and judgments across three…
何が新しいか
Despite growing interest, most evaluations of large language models' (LLMs') personalization abilities have relied on synthetic data. It remains unclear how well current personalization systems work…
何に使えるか
技術検証・論文読解補助
実装情報
- Hugging Face URL
- あり
実装チェックリスト
実装または配布ページ
OKコードまたはモデル配布ページから検証を始められます。
一次情報リンク
OKHugging Face
検証しやすさ
OK実装またはモデル配布ページから試せる可能性が高いです。
計算資源
要確認学習や高解像度推論ではGPUメモリと実行時間に注意が必要です。
ライセンス
未取得配布元のLICENSE、モデルカード、Paperの利用条件を確認してください。
商用利用
未取得研究利用限定、データセット由来制限、API規約の有無を確認してください。
自社データで試すなら
製造業・材料開発のExcel/CSVデータに落とし込むための最初の手順です。
- 1まず自社データを、入力条件、目的変数、評価したい指標に分けて整理します。
- 2LightGBMやRandom Forestなどのベースラインを先に作り、この手法と比較します。
- 3評価指標はR2/RMSE、AUC、異常検知の再現率、実験回数削減率など、現場の意思決定に近いものを選びます。
- 4SHAPや特徴量重要度で、効いている因子が物理・化学・工程知識と矛盾しないか確認します。
実装難易度
Easy - 実装またはモデル配布ページから試せる可能性が高いです。
必要リソース
- GPU目安: High
- データセット: 論文・リポジトリ側の指定を確認してください。
- 学習要否: 推論だけで試せる可能性があります。
- 学習や高解像度推論ではGPUメモリと実行時間に注意が必要です。
実務で使う場合の注意点
- ライセンスと商用利用条件は、Paper / GitHub / Hugging Face の配布元で確認してください。
- 精度、再現性、計算コストはデータセットや評価条件に依存します。
- 個人情報や機密データを扱う場合は、入力データの保存先と外部API利用条件を確認してください。
関連記事
REVES: REvision and VErification--Augmented Training for Test-Time Scaling
この研究では、大規模言語モデルの検証を改善する新しいフレームワークを提案しました。フレームワークを設計することで、大規模言語モデルの性能を高めることができ、実用的な推論を可能にします。
Steerable Cultural Preference Optimization of Reward Models
医療の支援を改善するために、機械学習モデルを使用して、医療のアシスタントと患者との対話を分析し、医療のアシスタントの行動を指示します。
DreamReasoner-8B: Block-Size Curriculum Learning for Diffusion Reasoning Models
オンラインのコンテキスト認識を改善するために、機械学習モデルを使用して、オンラインのコンテキストを分析し、オンラインのコンテキストを予測します。
ScholarSum: Student-Teacher Abstractive Summarization via Knowledge Graph Reasoning and Reflective Refinement
Abstractive summarization plays a crucial role in enabling efficient understanding of scientific literature, y