À medida que mais usuários começam a confiar na inteligência artificial para escrever atividades como etails e resumos de documentos, continua sendo uma frustração comum: a saída geralmente parece muito genérica. Mesmo quando modelos como ChatGPT ou Gemini recebe instruções detalhadas, eles raramente acham o tom ou a voz individual de um usuário sem muitas mudanças manuais. A Apple agora está propondo uma solução.
Em um novo documento de pesquisa (alinhando o LLMS, fornecendo as preferências de amostras de redação de usuários) a serem apresentadas à Conferência Internacional sobre Aprendizagem Automática (ICML 2025) no próximo mês, os pesquisadores da Apple revelaram prosa, uma técnica projetada para ajudar grandes modelos para inferir e adotar as preferências de escrita exclusivas de um usuário, aprendendo diretamente a partir de suas amostras de escrita.
Como a prosa funciona
A idéia central na base da prosa (Preferência REasoning por OUbServing e Organizaryntasinging EXamples) deve ir além das técnicas de alinhamento atuais típicas, como engenharia rápida ou aprendendo o reforço com o feedback humano. Em vez disso, o IA cria um perfil interno e interpretável do estilo atual de escrita do usuário.
Em vez de solicitar ao usuário que forneça manualmente guias de estilo ou modifique inúmeros rascunhos de inteligência artificial, a prosa funciona em duas fases:
- Refinamento iterativo: Inteligência artificial repetidamente em comparação com suas respostas geradas com exemplos reais do usuário, regulando sua descrição de “preferências internas” até que emite algo que corresponda perto da escrita do usuário.
- Verificação da consistência: Para evitar a fixação de um único exemplo, que pode não ser representativo do estilo de escrita geral do usuário, as verificações duplas às quais qualquer preferência inferida (por exemplo, “use frases curtas” ou “começa com uma piada”) é válida em várias amostras de escrita.
Basicamente, a prosa cria um perfil de estilo evolutivo, a cabeça contra mais exemplos de usuários e o usa como base para as gerações futuras.
Porque isso é importante para a inteligência da Apple
Embora o documento não mencione os produtos ou serviços da Apple por nome, a conexão é óbvia. Como a Apple se esforça mais profundamente para assistentes mais personalizados, técnicas como a prosa podem desempenhar um papel importante em tornar os textos de escrever inteligência da Apple que parecem mais semelhantes a cada usuário individual.
E com a Apple que agora permite que os desenvolvedores toquem diretamente em seus modelos locais através da estrutura dos modelos de fundação que acabamos de anunciar, não é difícil imaginar um futuro no qual qualquer aplicativo possa aproveitar um assistente de redação em nível de sistema e profundamente personalizado para alimentar suas ferramentas de escrita.
Há também um novo ponto de referência
No estudo, a Apple também apresenta um novo conjunto de dados de referência chamado pluma (Preferência Oganhar de User EMail e MeuMOS) para avaliar as técnicas de alinhamento do estilo de escrita, como a prosa.
Isso substitui um conjunto de dados anterior (prelúdio) e tem como objetivo resolver problemas comuns nos testes de personalização do LLM, como definições de preferências de superfície ou atividades não representativas.
Usando a pluma, os pesquisadores compararam a prosa com as abordagens anteriores, como outro método de preferências de aprendizado chamado cifra (eu sei. Muitos nomes e acrônimos) e técnicas de aprendizado no contexto padrão (ICL).
O resultado? A prosa subiu o número de 33% nas principais métricas e até venceu a ICL se combinada com modelos de ponta, como o GPT-4O.
É interessante notar que o documento também sugere que a combinação de prosa com a ICL oferece o melhor dos dois mundos, com uma melhoria até uma melhoria de 9% em comparação apenas com a ICL.
A maior tendência: ai que se adapta a você e faz você voltar
O projeto de prosa se adapta a uma tendência mais ampla em busca da IA: tornar os assistentes não apenas mais inteligentes, mas mais pessoais. Seja através do desenvolvimento no dispositivo, a modelagem das preferências ou os avisos conscientes do contexto, a corrida está ativa para preencher a lacuna entre a saída genérica de LLM e o item exclusivo de cada usuário.
Obviamente, a verdadeira personalização também é fornecida com enormes incentivos corporativos, pois estabelece as fundações para bloquear a plataforma final. Mas este é um tópico para outro dia.
FTC: Usamos conexões de afiliação automática para obter renda. Além disso.
