Preferences(偏好)在 AI 技术语境下有两层常见含义:一是指移动端开发中的轻量键值对存储机制,如 HarmonyOS ArkTS 的 Preferences API,用于保存应用配置;二是大语言模型对齐研究中表示人类偏好数据的 Preferences,是 DPO 等偏好优化方法的核心输入。两条线近期的共同点在于:如何更可靠地存储与利用偏好数据。
大模型偏好对齐的近期进展
端侧开发中的 Preferences 数据存储
当前焦点与观察点
当前关于 Preferences 的讨论集中在两个争议方向。对齐研究中,偏好数据的噪声与不一致性(分数与偏好冲突、近重复样本混入)被视为模型行为漂移的重要来源,Nash 优化、预诊断校正等新方法试图从目标函数和数据质量两端入手,但尚未形成统一范式。端侧开发中,Preferences 作为轻量存储方案在高频写入、跨线程访问与卡片同步返回等场景下的局限被反复提及,社区倾向于用单例封装和多层存储(Preferences + 数据库)组合来弥补。两条线索值得关注的是:偏好数据质量能否工程化度量,以及 HarmonyOS 生态后续版本是否会扩展 Preferences 的能力边界。