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

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

本研究通过利用大规模训练语料库中角色知识，提出了一种自对齐的角色扮演方法 Ditto，其将一个在读解问题上进行指令遵循的大型语言模型调整为模拟角色扮演对话。通过使用自动生成的角色扮演训练数据集对模型进行微调，Ditto展现出在多轮对话中一致的角色身份和准确的角色特定知识，性能高于其他开源角色扮演基准，并与先进的专有聊天机器人相媲美。与此同时，研究还展示了大型语言模型自身的内在能力限制了角色特定知识的获取，但通过辅助较小模型的指导可以轻松获得角色扮演风格。

Jan, 2024

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

介绍了 RoleInteract，这是第一个旨在系统评估角色扮演对话代理在个体和社交互动组别两个级别上社交性的基准。从各种来源中构建了这个基准，共涵盖了500个角色和超过6,000个问题提示以及30,800个多轮角色扮演话语。通过在主流开源和闭源 LLMs 上进行全面评估，发现在个体水平上表现出色的代理并不意味着其在群体水平上的熟练程度，并且个体的行为可能会受到群体内其他代理的影响而发生漂移。RoleInteract 上的实验结果证实了它作为评估角色扮演对话代理社交互动的测试平台的重要性。该基准在此 https URL 上可公开访问。

Mar, 2024

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

通过大型语言模型与角色扮演语言代理的结合，该研究对RPLAs进行了综合调查，介绍了其发展和最新进展，并将其应用于AI应用中，以实现个性化服务。

Apr, 2024

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

总结：该论文是一份针对大型语言模型中角色扮演和个性化的综述调查，包括对角色扮演和个性化的研究分类、当前挑战和未来方向，并提供了供社区使用的论文资源。

Jun, 2024

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