深度分析
User as Engram：以哈希定位稀疏記憶表實現本地化 LLM 個人化
隨著大型語言模型個人化需求提升，研究提出User as Engram技術，將使用者事實以局部哈希表編輯方式儲存，推理能力則共享LoRA，實驗顯示在記憶體占用、跨使用者干擾與推理精度上均優於傳統LoRA或檢索方法，此架構亦可與OpenJarvis等本地AI平台結合，提升開發者彈性。
LLM 個人化
深度分析
LoRA 夜間權重鞏固：將使用者互動折疊入 LLM 的三階段流程
研究指出僅靠上下文壓縮無法長期保存用戶偏好；本文提出以 LoRA 為核心的夜間權重鞏固流程，透過反思、合成與訓練將互動知識寫入權重；實驗顯示在十組開發會話中，壓縮三輪僅保留約36.8%知識，而夜間整合可達約80.4%，大幅提升程序性與專案記憶保存效果。
深度分析
可分離專家架構（SEA）：以可組合 LoRA 與可刪除使用者代理實現 LLM 個人化與刪除驗證
隨著大型語言模型個人化需求提升，傳統微調會將使用者資料寫入共用權重，導致刪除困難。研究提出可分離專家架構（SEA），結合靜態基礎模型、可組合LoRA專家與可刪除的使用者代理，實現即刪即忘。實驗顯示個人化效果明顯，刪除後回復基線，跨使用者污染低於0.05%。