P2P：用紧凑LLM集成重建人群偏好

2026年10月30日，arXiv Artificial Intelligence 刊出 Bingchen Wang 等作者的论文，提出名为 P2P（Prompts to Proxies）的两阶段推理时系统，用于从有限公开调查数据重建人群偏好。据该报道，P2P 先通过结构化属性提示与熵引导自适应采样构建多样化代理池，再用 L1 正则化回归选出紧凑加权集成；其特点是在不使用个人层面人口统计画像、也不微调模型的情况下运行。报道称，在 14 轮 American Trends Panel 上，P2P 平均测试 MSE 为 0.014，每次调查成本约 0.8 美元，优于提示与人口条件基线；在与经 SFT 对齐的调查模型进行的压力测试中，P2P 以不足 3% 的训练数据取得有竞争力的表现。目前事件进展限于该论文发布及其报告的结果，尚无后续跟进报道。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。