본 논문은 기존의 획일적인 접근 방식 대신 사용자의 다양한 가치와 니즈를 고려한 대규모 언어 모델(LLM)의 개인 맞춤형 조정을 위한 포괄적인 프레임워크를 제시합니다. 심리적 및 행동적 차원을 특징짓는 체계적인 선호도 공간과 현실 세계 시나리오에서 강력한 선호도 추론을 위한 다양한 페르소나 표현을 확립합니다. 이를 바탕으로 130만 개 이상의 개인화된 선호도 예시로 구성된 대규모 데이터셋 \textsc{AlignX}를 소개하고, 페르소나 표현을 직접 조건으로 하는 *컨텍스트 내 조정(in-context alignment)*과 중간 선호도 분포를 모델링하는 *선호도 연결 조정(preference-bridged alignment)*이라는 두 가지 상호 보완적인 조정 방법을 개발합니다. 실험 결과, 기존 방법보다 평균 17.06%의 정확도 향상을 보이며, 새로운 선호도에 대한 강력한 적응력, 제한된 사용자 데이터에 대한 강건성, 그리고 정밀한 선호도 제어 가능성을 보여줍니다.
