【ICLR2025】LLMS能否识别您的偏好？评估LLMS中的个性化偏好遵循能力

大语言模型（LLMs）越来越多地被用作聊天机器人，但其在根据用户偏好个性化响应方面的能力仍然有限。我们提出了PREFEVAL，这是一个用于评估LLMs在长上下文对话环境中推断、记忆和遵循用户偏好能力的基准。PREFEVAL包含3,000对人工整理的用户偏好和查询对，涵盖20个主题。PREFEVAL以显式和隐式形式包含用户个性化或偏好信息，并通过生成任务和分类任务评估LLM的表现。 利用PREFEVAL，我们在多轮对话中评估了10个开源和专有LLMs的上述偏好遵循能力，上下文长度从短到长（最高达100k标记）。我们通过多种提示方法、迭代反馈和检索增强生成方法进行了基准测试。我们的基准测试表明，最先进的LLMs在主动遵循用户偏好的对话中面临显著挑战。特别是在零样本设置中，大多数评估模型的偏好遵循准确率在仅10轮对话（约3k标记）后降至10%以下。即使使用高级提示和检索方法，偏好遵循能力在长上下文对话中仍然会下降。

此外，我们展示了在PREFEVAL上进行微调可以显著提高性能。我们相信，PREFEVAL将成为衡量、理解和增强LLMs偏好遵循能力的重要资源，为个性化对话代理的发展铺平道路。我们的代码和数据集可在https://prefeval.github.io/获取。