BlenderBot 3x 是一种使用有机对话和反馈数据训练的对话模型，用于提高其技能和安全性，并采用学习技巧以避免不良行为，并针对具有挑战性的情况进行更安全的回应。

Jun, 2023

本文对 BlenderBot 2.0 对话模型进行了限制和错误的分析，并从数据和用户角度提出了改进的实用方法和未来研究方向。

Jan, 2022

该研究提出了一种简单的方法，通过将记忆管理能力集成到 BlenderBot3 中，并使用自动数据集创建方法来改进 open-domain conversation systems。实验结果表明，多任务培训的 BlenderBot3-M^3 相对于 BlenderBot3 在 F1 得分方面提高了 4%。

May, 2023

通过学习用户与已部署模型之间的自然对话，我们研究了提高社交对话代理的方法，无需额外的注释。利用用户响应长度、情感以及未来人类发言中的反应等信号来隐式衡量机器生成发言的质量。我们的实验使用了 BlenderBot（Xu 等，2023 年）的公开发布的部署数据。人工评估表明，我们的新模型在基线回复上有所改进；然而，我们发现一些代理信号也可能导致具有不良特性的生成。例如，优化对话长度可能导致比基线更具争议性或不友好的生成，而优化积极情感或反应则可能减少这些行为。

Jul, 2023

本研究提出了 Adapter-Bot，一种对话模型，使用不同的适配器触发按需的对话技能，并实现不间断集成和无缝利用多种知识源，通过与现有最先进的对话模型进行比较的自动评估来评估我们的模型。

Aug, 2020

本研究旨在构建开放领域聊天机器人，通过构建变体模型，在多轮对话中提高回答的连贯性与个性，进而提升聊天机器人的人性化表现。我们成功实现了使用大规模模型进行训练的目标，并在人工评估中取得了成功。

Apr, 2020

本文探讨了使用增强学习的方式，通过与人类交互并接受其反馈来提高对话代理的能力，模拟了在人工环境中的各种学习情况，介绍了适用于此类学习的模型，并通过机械土耳其实验验证了此方法。

Nov, 2016

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

本论文提出了一种名为 InterviewBot 的对话机器人，它可以动态地将对话历史和定制话题集成到一个连贯的嵌入空间中，以进行 10 分钟的混合域（开放和封闭）会话，以评估外国学生申请美国大学的学术和文化准备情况。我们采用基于神经网络的端到端对话模型，使用 7,361 个人与人面试的音频记录来自动转录，其中 440 个手动进行了校正，以进行微调和评估。为了克服基于转换器的编码器 - 解码器模型的输入 / 输出大小限制，提出了两种新方法，即上下文关注和话题存储，使模型能够进行相关和一致的交互。我们的最终模型经过统计比较和实时邀请专业面试官和不同的学生与其互动进行测试，发现其流畅性和上下文感知能力非常令人满意。

Mar, 2023

该研究提出了一个框架，用于在现实世界中建立交互式、实时的、自然语言指导的机器人，并开源相关资产 (数据集、环境、基准和策略)。

Oct, 2022