该研究报告介绍了一种对话系统的管道结构，其中包含四个模块，自然语言理解（NLU）模块和自然语言生成（NLG）模块基于 GPT-2 模型，而对话状态跟踪（DST）模块和策略模块则基于手工制作的规则设计。在比赛的初赛中，该系统表现有限，原因可能是由于 NLU 训练示例的低变化以及使用的策略导致推荐失败。

Oct, 2022

在 2023 年的对话机器人大赛（DRC2023）中，我们团队开发了一个系统，能基于用户的发言文本建立共同语境并进行更加自然的交流，并且利用共同语境生成观光景点搜索的查询，同时在等待用户理解时进行对话。

Dec, 2023

本文选举为教育对话中教师回应产生共性任务的首个任务，以基于生成语言模型的人工智能教师为校准目标；在八个参赛者中，NAISTeacher 系统以 GPT-3.5 生成器为基础靠类似于提示流的集合和对话环境上的排名生成，达到自动和人工评估的双重第一名；然而，结果也凸显出现有的关键问题，包括需适合于教育场景的评估指标等。

Jun, 2023

本文介绍 ADAIO 团队参加了 Building Educational Applications (BEA) 2023 共享任务的系统，并阐述了使用 OpenAI GPT-3 和设计不同提示来生成符合对话教师回答的教师生成响应的基线模型的评估过程。在使用 OpenAI text-davinci-003 模型进行少量提示的基础上，我们的系统获得了第二名，结果凸显了大型语言模型，特别是 OpenAI 的 GPT-3 在 AI 教师角色中的少量学习能力。

Jun, 2023

本论文介绍并参加了 DSTC9 互动式对话评估赛中的子任务一和子任务二，提出了预训练语言模型用于生成与特定话题相关的回复，并提出了回复集合方法，同时提出了用于捕获与人类互动中对话流程的对话策划模型，设计了一种集成的开放域对话系统，具有流畅，连贯，连贯和人类特征的响应，并在子任务一中获得了第一名的人类评分和最高的 Meteor 和 Bert 分数，在子任务二中排名第三。

Jan, 2021

我们旨在构建一个系统，不仅利用大型语言模型的灵活对话能力，还利用其先进的规划能力，降低人类对话者的讲话负担并高效地规划行程。我们提出了一种将旅行社的复杂任务划分为多个子任务的方法，将每个子任务作为一个独立阶段进行管理，以有效地完成任务。我们的提出的系统在 2023 年对话机器人比赛的预赛中取得了一定的成功，并报告了比赛中发现的挑战。

Dec, 2023

本文介绍了我们在 2022 年对话机器人竞赛中提交的系统。该系统是基于规则和生成式对话系统的组合模型。我们利用 HyperCLOVA（一种日本基础模型）来生成回复和摘要、搜索信息等。此外，我们还使用了我们原创的语音识别系统，并对其进行了本次对话任务的微调。结果，我们的系统在初赛中排名第二，晋级决赛。

Oct, 2022

本文介绍了一个机器人平台，该平台将对话型人工智能代理程序嵌入具备自然语言理解和智能决策能力的实体系统中，以整合任务规划和类人对话。该代理程序基于大型语言模型，通过学习了解广泛的一般知识。除了生成对话，此代理程序还可通过对机器人执行指令与物理世界进行交互，将沟通与行为无缝融合。此系统在自由形式的导游场景中进行了演示，在将带有和不带有对话型人工智能能力的机器人相结合的人机交互研究中进行了测试，并通过整体效果、探索能力、审核能力、拟人化接受度和适应性等五个维度进行了测量。

Oct, 2023

本论文提出了一个初步实现的对话管理器，利用最新的大型语言模型（如 GPT-4，IDEFICS）来将视觉能力整合到对话代理中，以增强传统的基于文本的提示与实时视觉输入。该系统的提示工程结合了对图像的对话与摘要，以确保在上下文保留和计算效率之间保持平衡。通过实现这种视觉使能的对话系统，本论文展望了未来，让对话代理无缝地融合文本和视觉模态，实现更丰富、更上下文感知的对话。

Nov, 2023

本文提出了一种基于大规模预训练模型（如 GPT-2）的任务驱动对话系统纯自然语言生成任务，以简化复杂的词语替换处理，但是直接使用会遇到对话实体不一致性和预训练模型精调时的灾难性遗忘问题，因此我们设计了一种新的 GPT-Adapter-CopyNet 网络，它将轻量级 adapter 和 CopyNet 模块融入 GPT-2，以实现更好的迁移学习和对话实体生成，而且实验结果表明，我们的方法在自动和人类评估方面的性能显著优于基线模型。

Aug, 2021