本文介绍了 Rasa NLU 和 Rasa Core 两个开源 Python 库，旨在为非专业软件开发人员提供基于机器学习的对话管理和语言理解的工具，以便于构建对话式软件应用，并有详尽的测试文档。

Dec, 2017

PARADISE 是一个通用的用来评估口语对话系统的框架，能够分离任务需求和智能体的对话行为，支持对话策略之间的比较，能够计算子对话和整个对话过程的性能，指定各种因素对性能的相对贡献，并通过对任务复杂度的标准化比较执行不同任务的智能体。

Apr, 1997

我们提出了一种新颖的基于 AI 的聊天机器人学习模式，用户通过与教师机器人的对话获取信息和知识。我们的系统使用了一种新型加强自我对话模式，在不同领域之间实现知识传递和关注用户的对话。我们在三个大型公共数据语料库上进行了广泛的主客观评估，证明了我们的系统在传递知识和关注用户方面的有效性，帮助用户在不阅读文章的情况下大大提高知识水平。

May, 2022

SpeechBrain 1.0 是一个开放源码的对话 AI 工具包，基于 PyTorch，主要关注于语音处理任务，如语音识别、语音增强、说话人识别、文本到语音等，它提供了预训练模型和完整的代码和算法 “配方” 以促进透明度和可复制性。SpeechBrain 1.0 引入了新技术来支持多样化的学习方式，大型语言模型（LLM）的集成和先进的解码策略，同时提供了新的模型、任务和模态，并包括一个新的基准库，为研究人员提供了一个统一的平台来评估各种任务的模型。

Jun, 2024

研究人员在机器学习和自然语言理解方面的不懈探索中探讨了基于对话的语言学习，发现预测前瞻是一种有前途的学习策略，并表明它可以在没有奖励监督的情况下正确地回答问题。

Apr, 2016

本篇论文介绍了 PRIMEQA，一个包含各种核心和辅助 QA 功能的一站式开源 QA 库，目的是民主化 QA 研究，便于易于复制最先进的 QA 方法。

Jan, 2023

该研究论文提出了一种通过自动议会来提高语言模型（LMs）决策能力的方法 - 自动议会由代表特定视角的 AI 代表构成，代表自身包括三个 AI 模型：生成模型、修改模型和评估模型。我们提供了两种生成最佳解决方案的机制：用于响应生成的同时修改机制，以及用于公平评估解决方案的评估机制。整个过程始于每个生成模型根据其代表的理论创建响应，然后修改模型对其他响应进行调整以使其更加自洽，评估模型共同评估最佳的终点响应，最后，修改模型和生成模型根据评估模型的反馈进行学习。在我们的研究中，我们测试了评估机制，比较了单值零指导提示和自动议会少量指导提示在评估道德复杂场景中的应用，结果发现与基线相比，自动议会结构的损失值减少了 57.3％。我们最后讨论了自动议会的一些潜在应用和作为自动道德议会实施时的潜在影响。

Oct, 2023

提出了基于开源 LLMS（LLaMA-7b）和人工翻译评估数据的 ParroT 框架，该框架通过重新规划翻译数据到遵循指令的风格，并引入 “提示” 字段，以调节翻译过程。通过 Finetuning ParroT 模型的三种指令类型，包括翻译指令、对比指令和误差引导指令，实验结果显示翻译指令可以显着提高香草 LLMS 的翻译性能，而误差引导指令则进一步改善了翻译性能，并展示了从人工注释的低质量翻译中学习的重要性。同时，ParroT 模型也可以通过包含多任务数据集 Alpaca 的精调任务中保持其对通用任务的能力。

Apr, 2023

提出了一种名为 BotsTalk 的新框架，其中多个代理参加交谈以自动注释多技能对话，并展示了一个名为 BSBT 的大规模多技能对话数据集，通过广泛的实验表明，我们的数据集对于需要理解技能融合和技能基础的多技能对话系统非常有效。

Oct, 2022

ADVISER 是一个开源、多领域的对话系统工具包，能够开发多模态（包括语音、文本和视觉）、社交互动（如情感识别、参与度预测和反馈）的交互式代理。它基于 Python 实现，灵活易用，不仅适用于机器学习研究人员等技术经验丰富的用户，也适用于语言学家或认知科学家等技术经验较少的用户，因此为协同研究提供了一种灵活的平台。

May, 2020