AdaptFuse：通过外部化贝叶斯推理实现免训练的序列偏好学习

大型语言模型难以在多轮交互中积累证据并按贝叶斯推断更新信念。现有方案需微调敏感数据，限制隐私场景应用。本文提出 AdaptFuse，一种免训练框架，将概率计算完全外部化：符号模块维护离散假设集的贝叶斯后验，冻结的 LLM 通过多样本狄利克雷聚合提供语义推理。两者经熵自适应融合，随证据积累自动调整权重。实验表明，该方法在多个推荐任务上优于提示基线及微调模型，准确率随交互轮次单调提升，证明了原理性推理时算法可替代微调实现个性化推荐。