SLIFT: Autoapprendimento Selettivo dal Feedback degli Utenti per LLM

Un recente preprint su arXiv (2608.09109) presenta SLIFT, un framework per l'autoapprendimento selettivo che utilizza il feedback degli utenti per migliorare i modelli linguistici di grandi dimensioni (LLM). Questo sistema scompone ogni feedback in elementi fondamentali, classificandoli come Fix, Spec o Null in base alla loro rilevanza rispetto al compito originale. I componenti Fix definiscono i criteri essenziali per la validità del compito, i componenti Spec forniscono perfezionamenti specifici in determinate condizioni, e i componenti Null indicano nessuna direzione positiva chiara per gli aggiornamenti. SLIFT impiega due adattatori LoRA complementari su un backbone statico condiviso: un Generalista che integra i requisiti Fix nel comportamento standard attraverso l'autodistillazione guidata dal feedback, e uno Specialista che si concentra esclusivamente sulle risposte al compito per offrire una guida aggiuntiva per i perfezionamenti Spec non soddisfatti. Questo metodo cerca di implementare modifiche a livelli adeguati di generalizzazione, affrontando il problema che un singolo messaggio di feedback può richiedere vari aggiustamenti comportamentali in diversi ambiti.