Meta 论文提出 PAMO：个人 Agent 借跨平台历史改造推荐，4B 模型命中率 47.9%
rohanpaul_ai · x · 2026-11-01
Meta AI 与 UCSD 的论文提出「个人 Agent 中介推荐」范式：平台推荐器只用本平台行为排序，而用户的个人 LLM Agent 可用跨平台历史（如 Steam + Nintendo/Xbox）介入并改写最终榜单。难点在于平台排序包含 Agent 看不到的群体证据，Agent 硬改反而会破坏好的排序。
论文贡献：
- 发布 MediateRec 基准，含可扩展的代理跨平台环境和真实跨平台测试；
- 提出 PAMO（Personal Attribution Mediation Optimization）训练法：反事实地掩蔽跨平台历史，判断 Agent 哪些答案依赖它，只有排序精度不下降时才给这类答案更高 credit；
- 理论证明 PAMO 保持 cutoff 级优势质量且局部最优。
实证结果：在真实 Steam 用户（带 Nintendo/Xbox 历史）上，4B 的 PAMO Agent top-10 命中率达 47.9%，平台原排序为 40.8%，且在全部 5 个测试集上超过标准 RL 训练。核心结论：个人 Agent 默认应尊重平台排序，只在用户历史给出明确证据时才覆盖。
「编程与Agent」频道最新
- 用 AI 持续优化游戏帧率，六个场景渲染耗时再降 9%-15% — AIandDesign · 2026-11-01
- Parcha 创始人撰文：也许你根本不需要 Agent — blaizedsouza · 2026-11-01
- UC Berkeley 论文：让 Agent 定期清空记忆，成绩最高提升 39% — alexcovo_eth · 2026-11-01
- GitHub 贡献图玩出万圣节彩蛋：一年 4516 次提交排成图案 — Abhishekcur · 2026-11-01
- FrankenSim 作者:逐个替换物理学术语让模拟真实度疯涨 — doodlestein · 2026-11-01
- 实测 claude -p 比 TUI 多耗 1.8 倍额度，Magpie 改用 TUI 实现 — dotey · 2026-11-01