스타일 + 페르소나 플러그 = 맞춤형 LLM

Styles + Persona-plug = Customized LLMs

본 연구에서는 개인화된 텍스트 생성 분야에서 그동안 간과되었던 난제를 발견했습니다. 최근 개인화 방법론들이 명시적인 스타일 지시사항과 함께 적용되는 사례가 늘고 있으나, 이러한 제약 조건 하에서의 모델 동작 방식에 대해서는 이해가 부족한 실정입니다. 암묵적인 개인화와 명시적인 스타일 간의 균형을 맞추기 위해, 우리는 개인화를 분포 잔차(distributional residual)로 공식화하고, 스타일 조건부 선호 대조(style-conditioned preference contrasts) 방식으로 학습된 경량 소프트 프롬프트 플러그인인 PsPLUG를 제안합니다. LaMP 벤치마크 실험 결과, 우리의 프레임워크는 최소한의 연산만으로 페르소나 정렬을 개선하고 스타일 충실도를 유지하며, 기존의 검색 기반 및 소프트 프롬프트 베이스라인 모델들을 능가하는 성능을 보였습니다. 이러한 결과는 잔차 모델링이 제어 가능하고 스타일을 인식하는 LLM 개인화를 위한 간단하면서도 원칙적인 기반을 제공함을 시사합니다.

We discover a previously overlooked challenge in personalized text generation: personalization methods are increasingly applied under explicit style instructions, yet their behavior under such constraints remains poorly understood. To balance implicit personalization and explicit style, we formulate personalization as a distributional residual and propose PsPLUG, a lightweight soft-prompt plug-in trained with style-conditioned preference contrasts. Across LaMP benchmark, our framework improves persona alignment, maintains stylistic fidelity, and outperforms retrieval-based and soft-prompt baselines with minimal computation. These results show that residual modeling provides a simple and principled foundation for controllable, style-aware LLM personalization.