AITP
精选全部 AI 动态AI 日报Agent 接入关于更新日志信源提报反馈
登录 / 注册
AITOP
精选
过去 24 小时,从 357 条中筛出 12 条
全部模型产品行业论文技巧
标签:对话系统×
6月30日
12:33
12:33LangChain@LangChainAI
精选
大多数智能体在对话结束后评分,通过/失败或解决/放弃。GetCandidly 开发了一个新模型,能在对话进行中实时读取并引导走向解决。该模型改变了智能体的评估方式,旨在提升对话解决效率。目前通过 LangChain 博客公开。
AI产品GetCandidlyLangChain实时引导智能体对话系统

推荐理由:别等智能体最后打分才调整,GetCandidly 搞了个实时引导模型,边聊边纠正,挺实用。
原文
6月11日
15:28
AITOP6月11日 15:28
1107 vs 303:谷歌悄悄开源了一个“拆打字机”的模型,把大模型速度翻了4倍
15:23
AITOP6月11日 15:23
DiffusionGemma颠覆文本生成?自回归模型的“统治”要结束了
15:07
AITOP6月11日 15:07
每秒1107个token,Google开源的扩散模型为什么能改变本地推理格局?
12:09
12:09arXiv cs.LG@Yeongseo Jung, Jaehyeok Kim, Eunseo Jung, Jiachuan Wang, Yongqi Zhang, Ka Chun Cheung, Simon See, Lei Chen
精选
现有对话模型在长对话中因历史累积导致计算冗余和注意力分散,简单截断或摘要会损失信息。研究者提出 C-DIC(Context-Driven Incremental Compression),将对话拆分为可修订的上下文线程,存储紧凑的对话记忆,并通过轻量级检索-修订-回写机制跨轮共享信息、更新过时记忆。该方法还适配了截断反向传播(TBPTT)来学习跨轮依赖,无需完整历史反向传播。实验表明,C-DIC 在数百轮对话中保持稳定的推理延迟和困惑度,为高质量长对话建模提供了可扩展路径。
论文对话系统上下文压缩长对话增量学习C-DIC

推荐理由:长对话场景(如客服、角色扮演)的开发者终于有了一个兼顾效率与保真度的压缩方案——C-DIC 能稳定处理数百轮对话,值得在长上下文任务中试试。
原文
6月1日
00:09
AITOP6月1日 00:09
OpenAI 发起“Codex for Open Source”:免费赠送 6 个月 Pro 订阅,开源维护者能否迎来 AI 变革?
5月29日
08:02
AITOP5月29日 08:02
Opus 4.8发布:编程助手的“静默时刻”,是解放开发者,还是新门槛?🔥Anthropic 把 AI 编程的“确认键”彻底删掉了!Claude Code 搭载全新 Opus 4.8 模型,长时间任务不跑偏、不废话、不中断,像一个资深工程师一样默默干活,从功能开发到漏洞清扫全包圆,你在旁边喝茶等结果就行。过去 AI 写代码三步一问“这样可以吗”,现在它直接交完整交付物……自主编程的最后一层窗户纸,被捅破了。做自动化开发和代码审查的团队,这个模型建议直接上手,效率差距肉眼可见……Opus 4.8发布:编程助手的“静默时刻”,是解放开发者,还是新门槛?
5月25日
11:20
11:20arXiv cs.AI@Jiangwang Chen, Bowen Zhang, Zixin Song, Jiazheng Kang, Xiao Yang, Da Zhu, Guanjun Jiang
精选
当前大语言模型对话系统本质上是反应式的,只能在用户输入后响应。OnePred 提出通过递归更新的意图记忆来预测用户下一轮查询,无需重读完整对话历史。该方法采用两阶段强化学习训练,先教模型预测什么,再教如何压缩,形成面向预测的意图链。作者还发布了 NQP-Bench 基准测试集,包含三个子集。实验显示,OnePred 将每轮 token 消耗降低最多 22 倍,同时预测质量优于所有基线,在长对话中优势更明显。
论文对话系统预测模型强化学习意图记忆NQP-Bench

推荐理由:对话系统从反应式走向主动式的关键一步,做对话 AI 或智能客服的团队值得关注,OnePred 的递归记忆思路可以直接参考或复现。
原文
5月20日
10:20
10:20arXiv cs.AI@Hebin Hu, Renke Dai, Ah-Hwee Tan, Yilin Kang
精选
研究团队提出一个框架,用于合成高质量、长期医疗对话数据集MediLongChat,以评估医疗AI代理的记忆和推理能力。该框架通过知识引导分解为三个阶段:构建具有多样疾病和并发症轨迹的患者档案、生成每次就诊的多轮对话、整合为连贯的纵向历史数据集。他们设立了三个基准任务(对话内推理、跨对话推理、合成推理)来测试医疗代理的记忆能力。实验表明,即使最先进的LLM在MediLongChat上也表现不佳,凸显了该基准的挑战性和开发定制方法的必要性。
论文医疗AI长期记忆对话系统数据集LLM评估

推荐理由:医疗AI开发者终于有了一个能真正测试长期记忆能力的基准——MediLongChat让跨会话推理变得可评估,做医疗对话系统的团队建议直接拿来跑跑看。
原文
5月15日
09:55
09:55arXiv cs.AI@Vineet Kotecha, Vansh Gupta
精选73°
当前语言模型在会话间缺乏状态记忆,限制了长期个性化交互。研究者提出情感注意状态记忆(EASM)架构,在推理时动态构建用户特定上下文,整合长期历史、情感信号和推断意图。在30次非脚本对话的A/B测试中,EASM在记忆基础(提升95%)、计划清晰度(57%)和情感验证(34%)上显著优于无状态基线,即使在悲伤、痛苦等情感对抗对话中也表现稳定。该架构可能成为超个性化AI系统的基础设施层,但需更大规模验证。
论文情感记忆超个性化状态记忆对话系统EASM

推荐理由:EASM解决了AI对话缺乏长期记忆和情感理解的痛点,做对话系统或个性化AI产品的团队值得关注,它让AI真正记住你是谁、感受如何。
原文
精选全部日报登录