AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：对话系统×
6月16日
20:46
6月12日
12:57
6月11日
15:28
15:23
15:07
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
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