基于长期个人数据的LLM模拟的个人图灵测试：一种案例研究
计算与语言
2026-03-03 v1
摘要
大型语言模型（LLM）已展现出惊人的类人能力，但其复制特定个体的能力尚未得到充分探索。本文提出一个案例研究，探讨LLM基于超过十年私人消息历史记录进行个体模拟。基于消息数据，我们提出“个人图灵测试”以评估熟悉该志愿者的认识者能否正确识别多候选池中最符合志愿者来源的响应。我们研究了包括微调、检索增强生成（RAG）、记忆基于方法以及集成微调和RAG或记忆的混合方法等常见的LLM基于个体模拟方法。经验结果表明，当前的LLM基于模拟方法未通过个人图灵测试，但在针对目标个体陌生人的测试中表现显著更好。此外，尽管微调在代表个体语言风格的日常聊天中改善了模拟，但检索增强和记忆基于方法在涉及个人意见和偏好的问题上表现更佳。这些发现揭示了在给定纵向背景的情况下，使用LLM进行个体模拟的参数组织方法之间的根本性权衡。
引用
@article{arxiv.2603.01289,
title = {Individual Turing Test: A Case Study of LLM-based Simulation Using Longitudinal Personal Data},
author = {Minghao Guo and Ziyi Ye and Wujiang Xu and Xi Zhu and Wenyue Hua and Dimitris N. Metaxas},
journal= {arXiv preprint arXiv:2603.01289},
year = {2026}
}
备注
5 pages, 2 figures