--- format: "aidr-story-markdown/v1" id: "0b0024271a7c2b5987bb318b30f07498aa6f526f34c941f4c96666004a752c83" canonical_url: "https://aidr.today/0b002427?lang=vi" title: "Rethinking User Encoders: Routing Diffusion States for Scenario-Adaptive User Representation" lang: "vi" requested_lang: "vi" available_langs: ["en","vi"] translation_fallback: null fallback_fields: [] published_at: "2026-10-19T04:00:00.000Z" category: "Research" topics: ["llm"] source_urls: ["https://arxiv.org/abs/2610.22400"] summary: "Các bộ mã hoá người dùng dựa trên mô hình ngôn ngữ lớn (LLM) hiện nay tuần tự hóa nhật ký hành vi đa dạng và nén chúng thành các biểu diễn tĩnh thông qua dự đoán tự động (AR). Tuy nhiên, ràng buộc một chiều của chúng giới hạn dòng chảy thông tin hai chiều, cản trở tương tác đa dạng thức và sự bảo toàn đồng thời của tín hiệu đa nguồn. Kết quả là, các biểu diễn tĩnh đã học khó có thể đáp ứng được yêu cầu bằng chứng khác nhau của các kịch bản hạ lưu đa dạng. Chúng tôi giải quyết những hạn chế này bằng cách mở khóa quá trình loại nhiễu lặp lại của các mô hình diffusion ngôn ngữ (dLLM) như một không gian tái tạo đa tầng. Dựa trên nhận định này, chúng tôi đề xuất FINDERS (FactorIzatioN of Diffusion statEs for Routing across Scenarios), một khung dLLM được trang bị bộ định tuyến bao gồm bốn phép toán: loại nhiễu, phân tích, định tuyến và nén. Các meta-slot có khả năng học được sắp xếp các trạng thái loại nhiễu phụ trợ thành ngữ nghĩa đa dạng thức có thể chuyển giao và các yếu tố hành vi đặc thù dạng thức. Để cung cấp giám sát có căn cứ, chúng tôi xây dựng BehaviorQA, một bộ dữ liệu quy mô lớn chứa các lý do hành vi rõ ràng." --- # Rethinking User Encoders: Routing Diffusion States for Scenario\-Adaptive User Representation > [Open the canonical story]() **Published:** 2026-10-19T04:00:00.000Z **Category:** Research **Topics:** llm ## Summary Các bộ mã hoá người dùng dựa trên mô hình ngôn ngữ lớn \(LLM\) hiện nay tuần tự hóa nhật ký hành vi đa dạng và nén chúng thành các biểu diễn tĩnh thông qua dự đoán tự động \(AR\)\. Tuy nhiên, ràng buộc một chiều của chúng giới hạn dòng chảy thông tin hai chiều, cản trở tương tác đa dạng thức và sự bảo toàn đồng thời của tín hiệu đa nguồn\. Kết quả là, các biểu diễn tĩnh đã học khó có thể đáp ứng được yêu cầu bằng chứng khác nhau của các kịch bản hạ lưu đa dạng\. Chúng tôi giải quyết những hạn chế này bằng cách mở khóa quá trình loại nhiễu lặp lại của các mô hình diffusion ngôn ngữ \(dLLM\) như một không gian tái tạo đa tầng\. Dựa trên nhận định này, chúng tôi đề xuất FINDERS \(FactorIzatioN of Diffusion statEs for Routing across Scenarios\), một khung dLLM được trang bị bộ định tuyến bao gồm bốn phép toán: loại nhiễu, phân tích, định tuyến và nén\. Các meta\-slot có khả năng học được sắp xếp các trạng thái loại nhiễu phụ trợ thành ngữ nghĩa đa dạng thức có thể chuyển giao và các yếu tố hành vi đặc thù dạng thức\. Để cung cấp giám sát có căn cứ, chúng tôi xây dựng BehaviorQA, một bộ dữ liệu quy mô lớn chứa các lý do hành vi rõ ràng\. ## Sources - [Story source]()