في خطوة رائدة نحو فهم أعمق لتخصيص نماذج اللغات الضخمة (Large Language Models)، تم تقديم 'لُنار' كأول معيار يستهدف تقييم كيفية تخصيص هذه النماذج استجاباتها بناءً على سجلات سلوك المستخدم. يعكس هذا الابتكار الحاجة إلى استراتيجيات تقييم أكثر شمولاً، حيث يعتمد التخصيص عادةً على شخصيات نصية أو إشارات سلوكية مُعزولة.

يأتي 'لُنار' ليعالج هذا القصور، مستنداً إلى تفاعلات التطبيقات اليومية عبر مجالات متنوعة مثل الملابس، الطعام، السكن، والتنقل. ولتسهيل بناء المعايير القابلة للتطوير مع تقليل مخاوف الخصوصية، يعتمد 'لُنار' على خط أنابيب تخليق متعدد المراحل يتمحور حول أنماط سلوكية حقيقية.

تشير نتائج التحليلات إلى أن 'لُنار' يحقق توافراً أفضل مع توزيعات سلوك حقيقية مقارنة مع المعايير الاصطناعية الأخرى. وعلى الرغم من أن الوصول إلى سجلات سلوكية هو شرط أساسي، إلا أنه ليس كافياً لتحقيق تخصيص عميق، لذا فإن الأداء الفعال يتطلب اختيار وتكامل الأدلة ذات الصلة عبر المجالات.

توفر التجارب التي أجريت على 19 نموذجاً من نماذج اللغات الضخمة الرئيسية رؤى جديدة، حيث يتفوق الاسترجاع المباشر للسجلات السلوكية الدقيقة بشكل مستمر على الذاكرة المضغوطة. ومع ذلك، ينبغي أن نتذكر أن تعزيز التخصيص الأعمق قد يأتي بتكاليف على حماية الخصوصية.

تحدد هذه النتائج التحديات الأساسية للنماذج اللغوية المخصصة، مثل اختيار الأدلة، التكامل عبر المجالات، والسيطرة على الخصوصية، ما يفتح آفاقاً جديدة للبحث في هذا المجال.