| 19 июня 2025 г. — 8:10 PT
Поскольку все больше пользователей начинают полагаться на ИИ для написания текстов, таких как черновики электронных писем и резюме документов, остается одна распространенная проблема: результаты часто звучат *слишком* обобщенно. Даже когда моделям, таким как ChatGPT или Gemini, дают подробные запросы, они редко улавливают индивидуальный тон или голос пользователя без *большого* количества ручной настройки. Apple теперь предлагает решение.
В новой исследовательской работе (Согласование LLM путем прогнозирования предпочтений из образцов письма пользователя), которая будет представлена на Международной конференции по машинному обучению (ICML 2025) в следующем месяце, исследователи Apple представляют PROSE — технику, разработанную для того, чтобы помочь большим языковым моделям лучше выводить и принимать уникальные стилистические предпочтения пользователя, обучаясь непосредственно на его прошлых образцах письма.
Как работает PROSE
Основная идея PROSE (Preference Reasoning by Observing and Synthesizing Examples — Рассуждение о предпочтениях путем наблюдения и синтеза примеров) заключается в том, чтобы выйти за рамки современных методов выравнивания, таких как генерация запросов или обучение с подкреплением на основе отзывов людей. Вместо этого ИИ создает внутренний и интерпретируемый профиль фактического стиля письма пользователя.
Вместо того чтобы требовать от пользователя вручную предоставлять руководства по стилю или редактировать бесчисленные черновики ИИ, PROSE работает в два этапа:
- Итеративное усовершенствование: ИИ многократно сравнивает свои собственные сгенерированные ответы с реальными примерами от пользователя, корректируя свое внутреннее «описание предпочтений», пока не выдаст что-то, что точно соответствует стилю письма пользователя.
- Проверка согласованности: Чтобы избежать концентрации только на одном примере, который может не отражать общий стиль письма пользователя, ИИ дважды проверяет, действительно ли любое выведенное предпочтение (например, «использовать короткие предложения» или «начинать с шутки») соответствует нескольким образцам письма.
По сути, PROSE создает саморазвивающийся профиль стиля, тестирует его на нескольких примерах пользователя и использует это как основу для будущих генераций.
Почему это важно для Apple Intelligence
Хотя в статье не упоминаются продукты или услуги Apple по названию, связь очевидна. Поскольку Apple все глубже внедряет более персонализированные функции помощника, такие методы, как PROSE, могут сыграть большую роль в том, чтобы Apple Intelligence писала тексты, которые больше соответствуют каждому пользователю.
И поскольку Apple теперь позволяет разработчикам напрямую использовать свои локальные модели через недавно анонсированный фреймворк Foundation Models, нетрудно представить себе будущее, в котором любое приложение сможет использовать системный, глубоко персонализированный помощник по написанию текстов для своих собственных инструментов письма.
Также появился новый эталон
В исследовании Apple также представляет новый набор эталонных данных под названием PLUME (Preference Learning from User Emails and Memos — Изучение предпочтений из электронных писем и заметок пользователя) для оценки методов согласования стиля письма, таких как PROSE.
Это заменяет предыдущий набор данных (PRELUDE) и призван исправить распространенные проблемы при тестировании персонализации LLM, такие как неглубокие определения предпочтений или нерепрезентативные задачи.
Используя PLUME, исследователи сравнили PROSE с предыдущими подходами, такими как другой метод изучения предпочтений под названием CIPHER (Знаю. *Так много* имен и аббревиатур) и стандартные методы контекстного обучения (ICL).
Результат? PROSE превзошел CIPHER на 33% по ключевым показателям и даже превзошел ICL при работе с высококлассными моделями, такими как GPT-4o.
Интересно, что в статье также предлагается, что сочетание PROSE с ICL обеспечивает лучшее из обоих миров, с улучшением до 9% по сравнению с использованием только ICL.
Большая тенденция: ИИ, который адаптируется к вам и заставляет вас возвращаться
Проект PROSE вписывается в более широкую тенденцию исследований в области ИИ: создание помощников не просто умнее, а более личными. Будь то донастройка на устройстве, моделирование предпочтений или контекстно-зависимые запросы, идет гонка за сокращением разрыва между общими результатами LLM и уникальным голосом каждого пользователя.
Конечно, истинная персонализация также несет в себе огромные бизнес-стимулы, поскольку она также закладывает основу для окончательного закрепления на платформе. Но это тема для другого разговора.