CARD 用聚类 LoRA 加解码期偏好向量，在 LaMP 与 LongLaMP 六项任务中 12 个指标拿下 10 项第一

CARD 把个性化拆成“簇级共享先验 + 用户级轻量向量”两层，簇级 LoRA 负责泛化与低资源兜底，用户偏好向量负责细粒度风格差异。 此前 PEFT 类方法多为每用户一套参数，随用户规模增长存储与训练成本高；RAG 类方法把用户历史塞进提示，个性化较浅且受检索质量影响。CARD 用簇级适配摊薄成本，把个体差异推到解码期。 论文在 LaMP 与 LongLaMP 六个任务、ROUGE-1 与 ROUGE-L 两个指标共 12 个设置中，CARD 有 10 个排名第一，另两个接近最优（LaMP5 R-1 为 0.459 对 0.464，LongLaMP2 R-1 为 0.252 对 0.255）；消融显示去掉用户向量后 LaMP-4 的 R-1 从 0.218 降到 0.148。

隐式偏好学习用“用户真实文本 vs 簇级 LoRA 生成文本”构造偏好对，让同一语义下的风格差异成为监督信号，无需人工标注。 论文指出显式偏好标注成本过高，而用随机负例的启发式构造会把话题内容与风格纠缠在一起；CARD 的负例来自同簇 LoRA 在同一提示下的生成，语义对齐而风格不同，从而隔离出纯风格偏差。 偏好对构造方式在方法部分给出，训练使用 Bradley–Terry 成对损失，簇级 LoRA 与主干保持冻结；论文称该设计缓解了偏好数据稀缺，并在低资源用户上仍有效。

推理期个性化只改 logit：用户偏好向量对隐状态做通道级调制，再经低秩词表映射修正簇级 LoRA 的 logits，且只作用于 Top-k 候选 token。 与需要每用户微调或长上下文检索的方案相比，CARD 让主干与簇参数在推理时保持冻结，用户切换只需更换紧凑偏好向量，论文称其可存于用户设备用于端上个性化。 论文给出 Top-k 限制把复杂度从全词表降到候选集，并报告新用户只需一次轻量、免训练的画像编码用于分簇；效率对比表列出训练时间、单查询延迟与单用户存储三项指标。

评测同时使用自动指标、GPT-5.2 作为 LLM 评委与人工评估，三者总体一致但并非完全吻合。 论文报告 LLM 与人工评分在排序上大体一致，但在高度风格化任务上分歧更大；CARD 在 LaMP-4、LaMP-5、LaMP-7 上相对非个性化基线的 LLM 评分提升分别为 76.4%、95.5%、113.5%，人工评估增益同样显著。 附录给出 Pearson 平均 0.687、Spearman 平均 0.670、Kendall 平均 0.529、标准 Cohen's Kappa 平均 0.384、加权 QWK 平均 0.618；论文解释标准 Kappa 偏低是因为它对 5 分制上的 1 分偏差惩罚过重。

这项工作面向有个性化写作历史可供建模的文本生成任务，例如新闻标题、学术标题、推文改写、摘要生成、话题写作与商品评论；论文在 LaMP 与 LongLaMP 上验证，主干为 Qwen3-8B，并额外扫描 0.6B 至 32B 的 Qwen3 规模。对希望在不做每用户微调、不把长历史放进上下文的前提下部署个性化的团队，CARD 提供了一条“簇级适配 + 解码期向量”的路径，新用户只需一次免训练的画像编码即可分簇并估计偏好向量。论文还指出用户偏好向量可存于用户设备用于端上推理，服务方只发布轻量个性化模块，从而减少原始历史数据暴露。

论文自述的边界包括：离线分簇使用无监督 K-means，可能无法完整刻画复杂的用户关系或潜在个性化结构；每个用户在解码期只用一个偏好向量，对多样或演化的偏好表达力有限，且学到的维度不直接可解释；多阶段流程仍需多个组件协同；噪声或弱相关的历史会削弱学到的用户向量。论文还提到长历史下 LaMP-7 性能下降，可能反映噪声历史的影响，并把历史过滤、相关性加权与噪声鲁棒的画像选择留作未来工作。此外，实验使用验证集作为测试集，因为官方测试集未公开，这一点会影响结果与公开榜单的直接可比性。读者若关心具体任务上的绝对水平，需要回到正文表格与附录核对每个任务的数据规模与截断设置。