抛弃向量推荐！蚂蚁用8B小模型构建「用户“话”像」，实现跨任务跨模型通用并拿下SOTA

那么，大模型时代应该怎么做个性化呢？一方面，传统的推荐系统和对话模型往往依赖ID Embedding或特定参数（如 LoRA）来表示用户偏好。这种不可解释、难以迁移的"黑盒"范式，正在成为桎梏。另一方面，大模型强大的推理能力和生 成能力为打破传统范式的局限性带来了机会，让个性化可以从"黑盒"走向"白盒"。 近日，蚂蚁和东北大学研究团队（后简称"团队"）推出AlignXplore+，在大模型个性化上实现了一种文本化用户建模的新范 式，让复杂的用户偏好可以被人和机器同时理解，同时具备很好的扩展性和迁移性。 怎样做一个爆款大模型应用？ 这恐怕是2026年AI开发者们都在关注的问题。当算力和性能不再是唯一的护城河，"爆款"意味着大模型要能精准地"抓 住"每一名具体的用户，而个性化正是其中的关键技术之一。 蚂蚁AlignXplore+团队 投稿 量子位 | 公众号 QbitAI 为什么是"文本"？ △图1 个性化领域从基于向量/参数的用户表示向基于文本的用户表示的范式转变。 (a) 传统方法生成的用户专属参数和向量与训练模型紧密耦合，因此无法迁移。 (b) 团队开创了一种基于文本的范式，该范式能推断出与模型和任务无关的 ...