Modelos de Linguagem Large Personalizados

Modelos de linguagem large (LLMs) avançaram significativamente as tarefas de Processamento de Linguagem Natural (PLN) nos últimos anos. Entretanto, sua natureza universal impõe limitações em cenários que requerem respostas personalizadas, como sistemas de recomendação e chatbots. Este artigo investiga métodos para personalizar LLMs, comparando abordagens de fine-tuning e raciocínio zero-shot em tarefas subjetivas. Os resultados demonstram que o fine-tuning personalizado melhora o raciocínio do modelo comparado a modelos não personalizados. Experimentos em conjuntos de dados para reconhecimento de emoções e detecção de discurso de ódio mostram ganhos de desempenho consistentes com métodos personalizados em diferentes arquiteturas de LLM. Essas descobertas destacam a importância da personalização para aprimorar as capacidades dos LLMs em tarefas de percepção de texto subjetivo.