FOCUS: Decoupling Expert Personas in LLMs to Enhance Domain Expert Capabilities
FOCUS 论文提出通过正交分解解耦 LLM 中的专家人格，并引入专家门控模块自适应控制人格激活，在金融、法律、医疗和跨领域基准上提升了任务准确率。
发展脉络
- 首次出现FOCUS: Decoupling Expert Personas in LLMs to Enhance Domain Expert CapabilitiesarXiv cs.CL
- 当前判断FOCUS 针对高风险领域（如医疗、金融）中人格控制过度激进或保守的问题，提出了更精细的控制方法。这表明 LLM 应用正在从通用助手向领域专家演进，对人格的精确控制成为行业需求。可验证的下一信号是：是否有产品采用类似方法在医疗或金融领域落地，并报告实际业务指标。Agent Pulse · 分析
FOCUS 论文针对现有 LLM 人格控制方法存在的跨领域耦合问题，提出了一种新方法。该方法首先自动提取专家人格向量，然后通过正交分解解耦领域特定的专家人格，最后引入专家门控模块，根据任务上下文自适应控制人格激活。通过两阶段训练策略和门控选择正则化器，模型能够为单领域和跨领域任务激活合适的人格。在金融、法律、医疗和跨领域基准上的实验表明，FOCUS 提高了任务准确率，并优于现有的人格控制方法。
FOCUS 的核心技术在于将人格控制从简单的提示或微调提升为可解耦的向量操作。正交分解允许模型在共享参数空间中分离不同领域的人格向量，减少相互干扰。门控模块则提供了动态激活机制，使模型能够根据输入任务自动选择合适的人格，这比静态人格设定更灵活。可验证的下一信号是：FOCUS 是否能在更大规模模型或更多领域上保持解耦效果，以及门控模块的决策是否可解释。
FOCUS 针对高风险领域（如医疗、金融）中人格控制过度激进或保守的问题，提出了更精细的控制方法。这表明 LLM 应用正在从通用助手向领域专家演进，对人格的精确控制成为行业需求。可验证的下一信号是：是否有产品采用类似方法在医疗或金融领域落地，并报告实际业务指标。
FOCUS 方法可提升 LLM 在金融、法律、医疗等垂直领域的任务准确率，降低因人格耦合导致的错误行为风险。对于提供领域专用 LLM 服务的公司，该方法可能提高模型的专业性和安全性，从而增强产品竞争力。可验证的下一信号是：是否有公司将该方法集成到产品中，并报告客户采用率或错误率下降。
FOCUS 可能推动 LLM 在专业领域的应用，通过解耦人格实现更安全的领域专家行为。未来可能看到更多基于正交分解的人格控制方法，以及门控机制在多任务学习中的扩展。可验证的下一信号是：FOCUS 方法是否被后续研究引用或改进，以及是否出现基于该方法的商业产品。