过去两年大模型的能力突飞猛进。从文本生成到多模态理解它们已经逐渐成为很多人日常使用的工具。但随着使用深入一个问题也变得越来越明显这些模型虽然强大却并不真正“懂你”。在与模型的互动中我们不断提供个人信息。你可能在某次对话中提到自己的偏好在另一段交流中表达情绪状态又在不经意间展现出性格特征。但现有的大多数模型很难将这些信息整合起来更难以在长期交互中持续更新对你的理解。它们要么记不住要么记错了用的是过期的记忆。那什么是个性化多模态大模型呢〓 图1. 长期个性化交互中的偏好变化和个性对齐如图 1 所示用户缓解焦虑的饮品偏好从“雪碧”转变为“可乐”而仅依赖静态数据库的系统受限于“过时记忆”给出了错误的推荐。另外用户的真实格往往隐匿于琐碎的对话片段中例如对于因聚会而感到忧虑的“内向、敏感”型用户通用模型给出了“积极主动表现”这种充满社交的建议与用户性格完全不符。论文地址http://arxiv.org/abs/2604.13074 (CVPR 2026 Highlight)项目主页https://personavlm.github.io/代码地址https://github.com/MiG-NJU/PersonaVLM训练数据https://huggingface.co/datasets/ClareNie/PersonaVLM-Dataset评测数据https://huggingface.co/datasets/ClareNie/Persona-MME核心问题AI仍然是“静态的”而人是“动态的”这一问题的本质在于当前的大模型仍然是“静态系统”而真实的人却是不断变化的。人的偏好会改变情绪会波动性格也会在长期互动中逐渐显现。但现有方法通常只依赖当前上下文或简单拼接历史信息甚至使用固定的用户画像。这使得模型很难跟踪用户的动态变化导致所谓的“个性化”停留在表面。换句话说当前的大模型更像是在“回答问题”而不是在“理解一个人”。核心思路让模型具备“长期个性化能力”围绕这一问题来自南京大学和字节跳动的研究团队提出了一种新的解决方法PersonaVLM将多模态大模型从“通用能力工具”转变为“长期个性化助手”。这一框架的关键在于三个能力的协同记忆、推理与对齐。首先是“记忆”。与传统方法不同这里的记忆并不是简单存储对话而是被结构化为多种类型包括用户基础信息、抽象知识、具体事件以及行为习惯等。模型不再只是“记住说过的话”而是逐步构建对用户的整体理解。其次是“推理”。当用户提出问题时模型不会直接生成答案而是通过多步推理判断是否需要检索记忆、检索哪些信息并在过程中不断整合上下文。这种“边检索边推理”的方式使回答更加贴合用户背景。最后是“对齐”。模型会持续跟踪用户性格并通过动态机制不断更新其人格表示采用心理学大五人格将性格量化为 5 维向量。输出不仅在内容上正确也在风格上更符合用户特征。〓 图2. PersonaVLM框架图在现实世界中用户并不是固定的标签而是随着时间不断变化的个体。PersonaVLM 中引入五大人格模型对用户性格进行建模并设计了动态更新机制使模型既能快速适应初期信息又能在长期交互中保持稳定认知。这使得模型的行为从“统一风格”转向“面向具体个体”。这一点非常关键因为真正的个性化并不是静态标签而是持续演化的理解过程。具体地区别于传统的单一文本记忆PersonaVLM 像人类一样对记忆进行了精细化分层性格画像(User Personality Profile)基于心理学“大五人格”量化并追踪用户的动态性格核心记忆(Core Memory)存储用户的基础属性如姓名、职业、核心身份语义记忆(Semantic Memory)提取并存储跨模态的抽象知识如用户喜欢的物品长什么样、偏好习惯等情景记忆(Episodic Memory)将长篇对话切分为带有时间戳的原子事件方便按主题检索程序性记忆(Procedural Memory)记录用户的长期目标和重复性行为模式。同时PersonaVLM 采用了双阶段协作流响应阶段(Response Stage)当接收到用户的图文输入时PersonaVLM 不会急于回答。它会自主进行多步推理决定是否需要检索记忆、检索什么时间段的哪类记忆。在提取出相关记忆后模型会结合用户的当前性格生成“投其所好”且“语气契合”的专属回答更新阶段(Update Stage)在交互结束后系统空闲时模型会自动触发性格演变机制根据刚刚的对话微调用户的性格评分并主动提取对话中有价值的信息对四类记忆库进行增删改查为下一次交互做好准备。研究团队还为该框架量身定制了 SFT 和 RL 两阶段训练流程构建数据集生成管线合成80K 数据极大增强了模型的多轮推理和格式遵循能力。不只是方法还重新定义了评测方式除了方法本身这项工作还提出了新的评测基准—Persona-MME通过设计的数据合成管线生成了包含 200 个多样化虚拟角色的交互数据用于系统评估模型的长期个性化能力。与传统评测不同这一基准基于多轮交互构建覆盖记忆、意图、偏好、行为、关系、成长、和对齐 7 个核心维度14 个细粒度任务更贴近真实使用场景。它不再只关注“答对一道题”而是关注“是否持续理解一个人”。〓 图3. Persona-MME构造方法、总览和数据分布实验结果当问题变真实差距被重新拉开在新的评测体系下模型之间的差距变得更加明显。PersonaVLM 在多个维度上显著优于现有方法在 Persona-MME 上相较基线提升超过 20%。在开放生成任务中其表现甚至在部分场景下高于 GPT-4o尤其是在需要结合长期记忆与个性化表达的任务中优势更加突出。这说明当评测从“单题准确率”转向“长期一致性与个性化能力”时我们对模型能力的认知也需要被重新审视。〓 图4. 私有和开源模型在Persona-MME的全面评估结果论文在 Persona-MME 上对一系列私有和开源多模态模型进行全面评估主要观察如下1闭源模型长期个性化能力超越开源模型但目前暂无全能型选手在所有细分任务中领先2开源多模态小尺寸模型在个性对齐任务上表现不佳略优于随机选择而 Qwen3 系列纯语言模型在该任务表现相对优异3标准 RAG 在短上下文场景中反而会导致性能下降比如在偏好理解任务上的性能下降高达 9.3%这说明未经加工的外部记忆反而会导致检索不准确和引入干扰噪声而 PersonaVLM 通过结构化记忆和多轮检索有效解决该问题4情景记忆对于 PersonaVLM 整体性能影响最大而程序记忆对“行为”和“关系”两类任务影响显著。〓 图5. 私有和开源模型在Persona-MME的全面评估结果图 5 进一步提供定性案例。在视觉细节召回提问中PersonaVLM 能准确检索到历史图像对话并规避基线出现的记忆幻觉在长程上下文对话中它能自发关联历史碎片信息进行自然互动在常规交互问答中它能敏锐捕捉用户“高严谨性”等深层人格特征提供契合用户认知的定制化建议。结语这项工作的意义不只是提出了一种方法更在于揭示了一个重要趋势大模型正在从“回答问题”走向“理解用户”。未来的 AI不只是知道答案而是能够记住你的偏好、理解你的习惯、适应你的变化并在长期互动中逐渐形成对你的认知。从短期对话到长期关系从统一能力到个体差异大模型正在从工具逐渐演化为真正的智能体。现在在「知乎」也能找到我们了进入知乎首页搜索「PaperWeekly」点击「关注」订阅我们的专栏吧·