Nov, 2023

CharacterGLM：使用大型语言模型定制中文对话人物

PDF
TL;DR我们介绍了一系列基于 ChatGLM 的模型，名为 CharacterGLM，模型包含从 6B 到 66B 个参数。我们的 CharacterGLM 旨在生成基于角色的对话（CharacterDial），以满足人们固有的社交需求和情感需求。通过配置他们的属性和行为，我们可以自定义各种 AI 角色或社交代理。根据人工评估，我们的模型在一致性、人类相似度和互动方面优于大多数主流的封闭源大型语言模型，包括 GPT 系列。我们将发布我们的 6B 版本的 CharacterGLM 和一部分训练数据，以促进基于角色的对话生成方向的进一步研究发展。
发现论文，激发创造
  • ChatGLM: 从 GLM-130B 到 GLM-4 的大型语言模型工具家族

    介绍了 ChatGLM 的发展历程以及 GLM-4 系列语言模型的特点和优势，包括它们通过多阶段的预训练过程实现高质量的对齐，并且在多项评估中表现出与 GPT-4 相媲美甚至超越的性能，同时还介绍了一系列开源模型所取得的成功成果。

    Jun, 2024

  • GLM-Dialog: 知识驱动对话生成的噪声容错预训练

    GLM-Dialog 是一个拥有 10B 参数的大规模语言模型，使用搜索引擎来访问网络知识进行基于知识的中文对话，在评估方面提出了一种新的评估方法，同时发布了模型检查点和源代码，并通过微信应用程序与用户进行交互，以促进开源模型和可靠对话评估系统的发展。

    Feb, 2023

  • SimsChat：一个可定制的角色扮演代理

    大型语言模型（LLMs）能够理解人类指令并生成高质量的文本，使它们能够模拟人类行为并超越简单的复制。本研究介绍了可定制的对话代理框架，利用 LLMs 模拟真实世界中可以根据用户偏好自由定制的角色。提出了 SimsConv 数据集和 SimsChat 对话代理，模拟不同情景下角色的生活经历和特定情感的专题交互。实验证明该框架取得了令人满意的性能，并为未来构建更好的人类模拟提供了有益的指导。

    Jun, 2024

  • RoleCraft-GLM：大型语言模型中个性化角色扮演的推进

    RoleCraft-GLM 是一个创新框架，旨在通过大型语言模型（LLM）提供个性化角色扮演体验。它解决了对话人工智能中缺乏个性化互动的关键问题，并通过详细和情感细腻的角色描绘提供了解决方案。通过从传统的名人角色转变为多样化的非名人角色的对话数据集，我们提供了独特的对话数据集，从而增强了语言建模交互的真实性和复杂性。此外，我们的方法包括细致的角色塑造，确保对话既真实又情感共鸣。通过多个案例研究验证了 RoleCraft-GLM 的有效性，突显了它在不同场景中的多功能和技巧。我们的框架在生成准确反映角色个性特征和情绪的对话方面表现出色，从而提高用户参与度。总之，RoleCraft-GLM 在个性化人工智能互动方面取得了重要进展，并通过实现更复杂和情感丰富的对话为更真实和沉浸式的人工智能辅助角色扮演体验铺平了道路。

    Dec, 2023

  • 基于大型语言模型的特征化人工智能代理

    大语言模型在构建特色人工智能代理方面的性能评估以及自动度量指标的定量评估，突显了进一步提高大语言模型在构建特色人工智能代理方面能力的潜在方向。

    Mar, 2024

  • CloChat：大型语言模型中的人物角色定制、交互与体验研究

    大语言模型为生成会话代理带来了重大进展，使得在各种话题上实现无缝、情境相关的对话成为可能。然而，现有的以语言模型为驱动的对话代理拥有固定的个性和功能，限制了它们适应个人用户需求的能力。通过创建具有特定专长或特点的个性化代理人物，可以解决这个问题。尽管如此，我们对人们如何定制和与代理人物互动缺乏了解。在这项研究中，我们调查了用户如何定制代理人物以及其对互动质量、多样性和动力的影响。为此，我们开发了 CloChat，这是一个支持在大语言模型中轻松准确地定制代理人物的接口。我们进行了一项研究，比较了参与者如何与 CloChat 和 ChatGPT 互动。结果表明，参与者与定制代理人物建立了情感纽带，进行了更加动态的对话，并表现出对维持互动的兴趣。这些发现为未来使用大语言模型的对话代理系统的设计提供了启示。

    Feb, 2024

  • DoctorGLM：细调您的中文医生并非力大无比的任务

    该研究旨在解决大型语言模型在医学领域的准确性问题，通过采集汉语医学对话数据库并使用一些技术训练了易于部署的的 ChatGLM-6B 模型，最终可以以较低的成本实现健康医疗目的的 LLM。

    Apr, 2023

  • PersonalityChat: 基于事实和特征的个性化对话建模的会话提炼

    本文利用大型语言模型（LLM）通过个性化对话生成，基于个人特点和人格特质创建了一个合成对话数据集，从而证明了个性化对话模型和与 PersonaChat 相比的表现优势。

    Jan, 2024

  • 借助大语言模型生成忠实的以人为基础的对话数据集

    通过建立 Generator-Critic 架构，使用 LLM 生成会话，借助 Synthetic-Persona-Chat 评估了高质量对话数据集对 NLP 模型的影响。

    Dec, 2023

  • 人物塑造命运：大型语言模型能否模拟以角色扮演为驱动的决策？

    大型语言模型在决策中是否可以替代人类是一个近期的研究课题。本研究中，我们通过使用高质量小说中的人物分析数据构建了 LIFECHOICE 数据集，并进行了多项实验，研究了 LLMs 在以人物为驱动的决策中的能力。结果表明，目前的 LLMs 在此任务中显示出有希望的能力，但仍有很大的改进空间。因此，我们进一步提出了基于人物记忆检索的 CHARMAP 方法，通过该方法可以获得 6.01％的准确率提升。我们将公开提供我们的数据集和代码。

    Apr, 2024