告别复杂提示词！蚂蚁新方式让AI自动理解你的个性化需求

AntResearchNLP团队 投稿
量子位 | 公众号 QbitAI

相信大家都有这样一个体验。

跟AI无论什么对话，感觉都是说空话套话。

有时候为了让AI懂自己，许多用户甚至不得不学习复杂的“提示词技巧”，手动编写长长的指令，像是在给AI做“岗前培训”。

那么如何实现高情商AI？蚂蚁通用人工智能研究中心自然语言处理实验室提出了一个叫AlignXplore的方法——

通过强化学习，AlignXplore能够通过深度思考从用户行为中归纳出他/她的偏好，并且这种对人类偏好的洞察可以随着用户行为的变化而动态更新。

更有趣的是，当把归纳好的偏好描述迁移到一个下游对齐模型时，能够让这个模型的个性化对齐能力得到显著提升。

如何让AI真正懂你？

如何让AI真正“懂”你？我们需要让AI从一个“规则执行者”进化成一个“模式发现者”。

这意味着，它要掌握一种被认为是人类智慧核心的能力——归纳推理（Inductive Reasoning）。

△“千人一面”的对齐方式无法满足用户多样的个性化需求，红字蓝

事实上，AI早已对演绎推理（Deductive Reasoning）驾轻就熟，具备令人惊叹的数学解题和代码编写能力。

你给它一个确定的前提（如“求解二次方程 ax²+bx+c=0”）和一套不变的规则（求根公式），它就能通过一步步严密的逻辑推演，给出一个唯一、可验证的正确答案。这是一个典型的“自上而下”（Top-Down）的过程：从普适的公理或规则出发，推导出一个具体的、必然的结论。 在这个世界里，没有模糊地带，只有对与错。

而归纳推理则完全相反，它是一个自下而上（Bottom-Up）的过程：它没有预设的“个人说明书”。它的“线索”就是你的每一个行为： 你追问了什么问题，说明你关心什么；你跳过了哪个回答，说明你不喜欢什么风格；你对哪个笑话点了赞，暴露了你的幽默感。它的“任务”就是从这些海量的、碎片化的行为数据中，提炼出专属于你的互动模式与偏好规律。通过归纳推理，AI有潜力成为你的“知心姐姐”，主动拼凑出一个完整的你。

举个例子，让我们来扮演一次AI知心姐姐，看看它是如何通过两次看似无关的对话，就精准捕捉到你的“潜台词”的：

• 第一次交互：你问“什么是人工智能？它在商业和生活中是怎么用的？”。AI会立刻开始在幕后推理你的偏好：“你可能对AI技术有特别的兴趣，但似乎更关心实际应用，也许是商业导向”。
• 第二次交互：你想学习冥想，在两个候选回答中，你选择了提供具体步骤的那个，而不是阐述冥想哲学的回答。AI会立刻更新它对你偏好的理解：“你的偏好是获取能解决眼前需求的、务实的指导，而不是理论探讨。”

这种渐进式的学习和优化，让AI的“记忆”不再短暂。随着一次次的交互，它会不断收集新的线索，验证并修正之前的假设，对你的“人物画像”进行一次又一次的精修。最终，它不再是被动回答问题的机器，而是在主动地、持续地学习和理解你是谁。

这，就是我们通向真正个性化AI的第一步。

AlignXplore

AlignXplore的训练包括两个阶段。

第一阶段：冷启动训练（Cold-start Training）——拜师学艺

研究团队首先引入一个更强大的AI作为“导师模型”

。这个导师会生成大量高质量的“教学案例”。对于每个用户的行为信号集合

会生成多组候选的推理链r和相应的偏好描述d利用奖励函数R（r，d）进行筛选来获取高质量数据

。通过在

上进行SFT，实现偏好归纳模型的冷启动。

其中

代表可能存在的历史偏好，而G是为每个实例生成的候选样本数量。这里奖励函数定义为：

其中，

是下游大语言模型R对回复的偏好打分函数。这个通用的奖励框架可以被实例化为两种具体的奖励函数，用于模型的训练与评估：

1、

（基于偏好判断的奖励）

R作为一个偏好判断模型，直接评估在给定推断出的偏好d后 “

更好”的概率，最大化与用户真实偏好的一致性：

提供了更稳定和有效的训练信号，是AlignXplore在训练和评估中采用的核心奖励函数。

2、

（基于生成概率的奖励）

R作为一个回复生成模型，衡量在加入偏好描述d前后，模型生成较优回复

与生成较差回复

间的对数概率差值是否有提升：

第二阶段：强化学习（Reinforcement Learning）——实战修行

在这一阶段，采用GRPO算法训练，模型会针对用户的行为，尝试生成多种不同的推理路径和偏好结论

。随后，系统会根据这些结论的准确性给予“奖励”或“惩罚”。通过这种不断的试错和优化，模型学会了如何将初步的分析提炼成更精准、更具指导性的判断。

优化策略定义如下：

流式偏好推断机制

AlignXplore模型支持流式偏好推断机制，即不再需要反复回看用户冗长的历史记录，而是像处理一条源源不断的数据流一样，实时、增量地更新对用户的理解——就像它在之前的例子中发现用户“务实导向”的风格一样。

这种“流式”设计带来的好处是显而易见的：

首先，它大大提高了生成效率；

其次，它极为灵活，当用户从休闲模式切换到工作状态时，它能迅速迭代出一个新的“工作版”偏好，而不是固执地用旧眼光看用户。这才是真正能跟上用户节奏的动态进化系统。

实验结果

在域内测试集AlignX_test和域外测试集P-Soups上，AlignXplore模型在个性化对齐任务上取得了显著的成功，相较于基座模型DeepSeek-R1-Distill-Qwen-7B平均提升了15.49%。

△AlignXplore与各种推理/非推理模型在域内外数据集上的表现

更重要的是，它展现了强大的综合能力：

高效性： 即使互动历史变得非常长，流式推理机制也能保持稳定的响应速度和准确率，不会像传统方法那样需要每次编码所有行为信号致使越来越慢。

△随着互动的进行，流式推理机制下的响应速度和准确率都保持稳定

泛化能力：它不仅能处理特定的反馈数据，还能从用户发布的帖子user-generated content (UGC)等不同形式的内容中学习，并且其推断出的偏好也能成功地应用于与训练时不同的下游模型，包括QwQ-32B、DeepSeek-R1-671B等。

△泛化性实验

鲁棒性：即使用户的偏好发生改变甚至反转，AlignXplore也能灵活适应，不会产生剧烈的效果波动。

△即便反转初始行为信号的偏好，流式推理机制也能让模型灵活调整

总结

该工作第一作者为人大高瓴一年级博士生李嘉楠，目前在蚂蚁实习；蚂蚁通用人工智能研究中心自然语言处理实验室关健、武威为共同第一作者、通讯作者。

AlignXplore是大模型个性化路上的一个全新的尝试。在SOTA结果的背后，这项研究其实有很多思考：

• 在智力上限被一波又一波推高的当下，如何规模化训练大模型“情商”是一个没有得到足够关注却又十分重要的问题。毕竟谁会拒绝一个既聪明又有温度的AI呢？
• 深度思考下的长思维链是大模型智能能力的主要推动力。深度思考本身消耗巨大，那么如果只用来刷分，是不是有点浪费呢？相比于结果，推理过程中产生的知识是不是更有价值呢？AlignXplore可以看作是推理知识在用户理解领域进行迁移应用的一个尝试。毕竟相对于艰深的数学知识，用户理解知识更容易被看懂，也更容易落地。
• 如果客观问题都很快会被AI解决，那么主观问题该怎么办呢？这个世界上到底是客观问题多还是主观问题多呢？无论如何，研究团队认为个性化是通往主观世界的一条重要通道，而AlignXplore是在这条通道上的一次大胆尝试。期待未来有更多相关研究能够涌现。

— 完 —