Salesforce

Optimizing User Profiles via Contextual Bandits for Retrieval-Augmented LLM Personalization

通过上下文老虎机优化用户资料以实现检索增强的LLM个性化

Linfeng Du, Ye Yuan, Zichen Zhao, Fuyuan Lyu, Emiliano Penaloza, Xiuying Chen, Zipeng Sun, Jikun Kang, Laurent Charlin, Xue Liu, Haolun Wu

机构 * McGill University（麦吉尔大学） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Université de Montréal（蒙特利尔大学） ； Salesforce（Salesforce公司） ； HEC Montréal（蒙特利尔HEC商学院） ； Mila - Quebec AI Institute（魁北克人工智能研究所） 纠错

AI总结 本文提出PURPLE框架，通过上下文老虎机优化用户资料，利用Plackett-Luce模型捕捉复杂依赖，提升LLM个性化效果。

Comments Accepted to ACL 2026

Retrofitting Small Multilingual Models for Retrieval: Matching 7B Performance with 300M Parameters

对小型多语言模型进行改进以实现检索：用3亿参数实现7亿参数的性能

Lifu Tu, Yingbo Zhou, Semih Yavuz

机构 * Salesforce AI Research（Salesforce AI研究院） 纠错

AI总结 本文研究了影响多语言嵌入有效性的关键因素，提出通过增加训练数据规模、使用难负样本和提升任务多样性来改进小型模型的检索性能，最终开发出3亿参数模型，性能媲美甚至超越现有7亿参数模型。

Comments minor update from previous version

SweRank: Software Issue Localization with Code Ranking

SweRank: 代码排名用于软件问题定位

Revanth Gangi Reddy, Tarun Suresh, JaeHyeok Doo, Ye Liu, Xuan Phi Nguyen, Yingbo Zhou, Semih Yavuz, Caiming Xiong, Heng Ji, Shafiq Joty

机构 * University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Salesforce Research（Salesforce 研究） ； KAIST AI（韩国科学技术院人工智能研究所） 纠错

AI总结 本文提出SweRank框架，通过高效的检索与重排序方法提升软件问题定位的准确性，实验表明其在SWE-Bench-Lite和LocBench上优于现有方法。

Comments ICLR 2026 Camera Ready Version