Para peneliti memperkenalkan DRIFTLENS, sebuah kerangka kerja bebas kebenaran dasar yang mengkuantifikasi bagaimana memori atribut pengguna membentuk ulang lintasan penalaran model bahasa besar. Studi ini memvalidasi bahwa kerangka kerja ini membedakan perubahan penalaran substantif dari noise pragmatik di empat LLM dan sepuluh kategori atribut pengguna.

  • Memori atribut pengguna menginduksi drift penalaran sedang hingga besar di atas ambang batas noise pragmatik, bahkan ketika jawaban akhir tetap lancar dan masuk akal.
  • Metode pasca-pelatihan berbasis GRPO dan DPO mengurangi drift ini, tetapi tidak ada yang secara seragam mendominasi dalam efektivitas.
  • Dampak strategi mitigasi pada kemampuan turunan, kegunaan, dan kepatuhan instruksi bergantung pada model dan fungsi reward.

Hasil menunjukkan bahwa drift penalaran yang diinduksi memori adalah mode kegagalan terukur dari model bahasa personalisasi yang hanya sebagian diminimalkan oleh teknik pasca-pelatihan saat ini.