Meta 提出 PAMO 训练法 让个人 AI 代理优化跨应用推荐
原标题：New Meta paper shows that a personal AI agent can improve an app's recommendations with your history...
78AI 研判分
Meta 发布新论文提出 PAMO 训练方法，使个人 AI 代理能利用用户在其他应用的历史数据来改进当前应用的推荐结果。该方法通过隐藏跨应用历史来评估代理回答的依赖性，仅在提升准确率时赋予额外权重，实验显示其 Top-10 命中率显著优于传统平台算法及标准强化学习。
报道正文
Rohan Paul (@rohanpaul_ai) · 2026-10-31 16
Meta 最新论文表明，如果个人 AI 智能体学会何时“让位”（defer），它就能利用你在其他应用中的历史记录来提升当前应用的推荐效果。
每个应用仅根据你在该应用内的行为以及其他用户的模式来对内容进行排序。个人智能体虽然能跨应用观察你的活动，但也可能因为错误地剔除正确项目而破坏原本良好的排序结果。
他们构建了 PAMO，这是一种训练方法，通过隐藏跨应用历史数据来识别智能体的哪些回答依赖于这些数据。那些依赖历史数据的回答会获得更高的奖励权重，但前提是排序准确率不能下降。
在拥有 Nintendo 和 Xbox 历史的真实 Steam 用户测试中，一个 4B 参数的 PAMO 智能体达到了 47.9% 的 Top-10 命中率，而平台原生算法仅为 40.8%。此外，它在全部 5 个测试集上的表现均优于标准的强化学习（RL）训练。
介入并修改其他应用结果的个人智能体应默认选择“让位”，仅在用户的历史记录提供具体证据时才进行覆盖。
– arxiv. org/abs/2610.07588
标题：《基于跨平台用户历史的个人智能体中介推荐》
