Dec, 2023

RoleCraft-GLM：大型语言模型中个性化角色扮演的推进

PDF
TL;DRRoleCraft-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。
rolecraft-glmpersonalized role-playingconversational aicharacter developmentemotional resonance
发现论文，激发创造
  • RoleLLM：大型语言模型角色扮演能力的基准、激发和增强

    RoleLLM 是一种框架，用于在大规模语言模型中评估和增强角色扮演能力。通过 Context-Instruct 和 RoleGPT，我们创建了 RoleBench，这是角色扮演的第一个系统性和细致的基于角色的基准数据集，该数据集包含 168,093 个样本。此外，通过 RoleBench 上的 RoCIT，我们获得了 RoleLLaMA（英文）和 RoleGLM（中文），显著增强了角色扮演的能力，甚至与使用 GPT-4 的 RoleGPT 的结果相当。

    Oct, 2023

  • CharacterGLM：使用大型语言模型定制中文对话人物

    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。

    Nov, 2023

  • 角色扮演的模版框架：生成与评估

    使用大型语言模型（LLM）构建角色扮演对话数据集并评估性能的框架，并使用召回导向的 Rouge-L 指标支持 LLM 评估器的结果。

    Jun, 2024

  • 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

  • 使用 ChatGPT 的角色扮演模拟游戏

    在本文中，我们展示了如何利用 ChatGPT 在角色扮演的模拟游戏场景中，通过使用大型语言模型（LLMs）来提高教学质量，从而促进学生的积极学习。此外，我们讨论了 LLMs 如何通过允许学生使用 ChatGPT 来练习真实生活场景，从而提高学生的学习兴趣。

    Feb, 2024

  • 促进大型语言模型在在线求职和招聘中的多角色和多行为协作

    在线招聘服务的出现已经彻底改变了求职和招聘的传统模式，本研究致力于提高个人与职业的匹配度，通过引入模拟面试的过程，从而为候选人评估提供额外的证据，增强了传统基于简历和职位描述的人 - 职位匹配方式。提出了一种创新可行的模拟面试框架 MockLLM，通过面试生成和握手协议中的双方评估两个模块，通过让面试官和候选人之间协同行为来提高其性能，同时设计一种多角色和多行为的角色扮演框架，使单个语言模型代理能够以多个功能有效地与双方交互。此外，还提出了反思记忆生成和动态提示修改技术，以改进双方的行为，实现对增强的额外证据的持续优化。详细的实验结果表明，MockLLM 在人 - 职位匹配和模拟面试质量方面表现出了最佳性能，展示了其在未来在线招聘中的应用前景。

    May, 2024

  • 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

  • 捕捉思维，而非语言：使用个性指示数据增强角色扮演语言模型

    我们通过应用特征性数据提升小型角色扮演语言模型，实验证明使用我们的数据集训练的模型在一般和与个性相关的评估中展现了高级角色扮演能力。

    Jun, 2024

  • HoLLMwood: 大型语言模型通过角色扮演释放剧本创作的创造力

    HoLLMwood 是一个自动化框架，通过将大型语言模型分配到不同的角色，包括作家、编辑和演员，来释放它们的创造力并探索其在编剧方面的潜力，研究结果表明 HoLLMwood 在连贯性、相关性、趣味性和整体质量方面明显优于强基准。

    Jun, 2024

  • 通过积极查询提升角色扮演系统：评估与改进

    通过设计 MORTISE 来改进角色扮演 LLMs 的性能，我们构建了具有高度角色相关性的攻击性查询，通过多个基于 LLM 的模块协同努力生成相应的回复，并形成对抗性训练数据集 RoleAD。结果表明，现有模型在角色对齐能力上存在普遍不足，而经过 RoleAD 改进的模型在改善这一不足方面表现出了一定的泛化性。

    Feb, 2024