对话系统相关 AI 资讯

7月7日

11:30

官方账号arXiv cs.AI@Thomas Thebaud, Yuzhe Wang, Hao Zhang, Sathvik Manikantan Napa Ugandhar, Ashish Hallur, Georgi Tinchev, Venkatesh Ravichandran, Laureano Moro-Velazquez

SPEARBench基于Seamless Interaction语料库构建对话提示，评估多个当代语音到语音模型在响应延迟、中断、语音质量、ASR鲁棒性、语言与方言一致性、情感自然度、人际关系立场等8个维度上的表现。与人类对话相比，当前模型在延迟、重叠、方言保留、情感适应和立场动态方面仍有差距。基准包含原始人类回答作为参考条件。

论文 SPEARBench 语音生成对话系统评估基准自然度

推荐理由：想测语音AI聊天有多自然？SPEARBench从8个维度对比人类，告诉你现有模型的短板具体在哪。

原文

7月1日

09:26

官方一手arXiv: DeepSeek@Mohammad Alijanpour Shalmani, Alale Rezvani Boroujeni, Jiann Shiun Yuan

一项研究分析了六种开源模型家族（DeepSeek-R1、Gemma-2、Llama-3、Mistral、Phi-3、Qwen-2.5）在任务导向对话中面对数据库调用失败时的表现。基于MultiWOZ 2.2（5领域）和SGD（20领域）构建的故障注入基准显示，朴素智能体在30.5%（MultiWOZ）和20.9%（SGD）的失败轮次中产生幻觉。提出的Guided-Retry策略无需重新训练即可将MultiWOZ上的幻觉率从30.5%降至15.3%（降低50%），SGD上从20.9%降至12.2%（降低42%）。但各模型残差幻觉仍达6-37%，跨域失败最难处理。

论文 DeepSeek-R1 Gemma-2 Llama-3 Mistral Phi-3 Qwen-2.5 MultiWOZ SGD 对话系统推理模型

推荐理由：论文用实际数据告诉你，数据库出错时LLM会瞎编内容，但加个简单提示就能把幻觉砍掉一半。不用重训模型，看各家的差距有多大。

原文

6月30日

12:33

官方账号LangChain@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 GetCandidly LangChain 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17日

23:08

23:08官方一手Google Blog: AI（博客/媒体）

Google在《Nature》发表研究，其对话式AI系统AMIE在复杂疾病管理任务中表现与初级保健医生相当。研究涉及心脏病、糖尿病等14种慢性疾病管理场景。AMIE在98%的评估维度上达到或超过医生水平，包括诊断准确性、治疗建议合理性及沟通质量。该系统基于大语言模型构建，能够进行多轮自然对话并实时检索医学知识。

论文 AMIE Google Nature 医疗AI 对话系统

推荐理由：Google的AMIE医疗AI在《Nature》上发了论文，管理慢性病水平跟医生差不多，具体看数据很扎实。

原文

6月11日

12:09

官方账号arXiv 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

官方账号arXiv 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

官方账号arXiv 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

官方账号arXiv 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