Enhancing Dialogue State Tracking Models through LLM-backed User-Agents Simulation
NewsBreak(纽斯布雷克公司);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本研究利用GPT-4模拟用户代理交互生成对话数据,结合两阶段微调LLaMA 2,在公开基准上超越仅用真实数据训练的基线,并能快速适应新领域。
2024-05-17 cs.AI cs.CL
X-TURING: Towards an Enhanced and Efficient Turing Test for Long-Term Dialogue Agents
School of Computer Science, Shanghai Jiao Tong University(上海交通大学计算机科学学院)
本文提出X-Turing测试,通过突发对话模式和伪对话历史迭代生成机制减少人类参与,并引入X-Turn通过率指标评估LLMs在长期对话中的类人程度,发现GPT-4等模型随对话轮次增加难以保持一致性。
2025-05-29 cs.AI cs.CL
Syn-TurnTurk: A Synthetic Dataset for Turn-Taking Prediction in Turkish Dialogues
Qwen(通义实验室)
本文提出Syn-TurnTurk数据集,通过Qwen大语言模型生成土耳其对话数据,用于提升轮询预测的准确性与AUC分数,促进自然的人机交互。
2026-04-15 cs.AI cs.CL
Large Language Models Meet Harry Potter: A Bilingual Dataset for Aligning Dialogue Agents with Characters
Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Hong Kong University of Science and Technology(香港科技大学);Tencent AI Lab(腾讯人工智能实验室)
针对对话大语言模型与特定角色对齐难度大、缺乏标注数据的问题,本文提出中英双语的HPD哈利·波特对话数据集,标注场景、人物关系等信息,经微调与上下文学习基准测试验证,该数据集可有效引导模型生成更贴合角色的回复,可作为角色对齐通用评估基准。
2023-10-09 cs.AI cs.CL
PolicyGuard: A Dialogue-Grounded Sub-Agent Verifier for Policy Adherence in LLM Agents
提出PolicyGuard子代理验证器,通过共享对话上下文、策略推理和可操作反馈,在tau²-BENCH航空数据集上使PASS4提升12个百分点,同时误拦率降低约一半。
2026-11-10 cs.AI cs.CL
Instruct Once, Chat Consistently in Multiple Rounds: An Efficient Tuning Framework for Dialogue
The Hong Kong Polytechnic University(香港理工大学);Sichuan University(四川大学)
针对传统微调忽略对话多轮交互与角色差异导致一致性不佳的问题,提出基于双适配器和轮次级记忆缓存机制的Midi-Tuning框架,分别建模智能体与用户角色,显著提升了多轮对话一致性。
2024-05-30 cs.AI cs.CL
Plug-and-Play Policy Planner for Large Language Model Powered Dialogue Agents
National University of Singapore(新加坡国立大学);The Chinese University of Hong Kong(香港中文大学)
针对大语言模型对话策略规划能力受限、难迁移的问题,提出即插即用策略规划器PPDPP,通过监督微调与目标导向强化学习训练,在三类主动对话任务上显著优于现有方法。
2024-03-11 cs.AI cs.CL
Context-Agent: Dynamic Discourse Trees for Non-Linear Dialogue
Shandong University(山东大学)
本文提出 Context-Agent 框架,通过动态树结构建模对话历史,解决非线性对话中的上下文管理问题,并引入 NTM 评估基准,提升多轮对话任务完成率和效率。
2026-04-17 cs.AI cs.CL
Large Language Models as User-Agents for Evaluating Task-Oriented-Dialogue Systems
University of Illinois at Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校)
本研究利用大型语言模型创建上下文感知的用户代理来评估面向任务的对话系统,通过优化提示和跟踪用户目标状态提升性能,并提出动态框架内的自动评估方法。
2024-11-15 cs.AI cs.CL
EMSDialog: Synthetic Multi-person Emergency Medical Service Dialogue Generation from Electronic Patient Care Reports via Multi-LLM Agents
School of Engineering and Applied Sciences, University of Virginia(弗吉尼亚大学工程与应用科学学院);School of Medicine, University of Virginia(弗吉尼亚大学医学院)
本文提出基于ePCR的多代理生成流程,生成4414个合成多说话者EMS对话数据集,提升EMS对话诊断预测的准确性、及时性和稳定性。
2026-04-20 cs.AI cs.CL
Hello Again! LLM-powered Personalized Agent for Long-term Dialogue
National University of Singapore(新加坡国立大学);University of Science and Technology of China(中国科学技术大学);Singapore Management University(新加坡管理大学)
针对现有对话系统忽视长期陪伴与个性化交互需求的问题,本文提出模型无关的长期对话智能体(LD-Agent)框架,通过事件感知、人物角色提取及响应生成模块实现长期对话能力,经多基准验证其有效性、通用性与跨域能力。
2025-02-13 cs.AI cs.CL
Loose Lips: Understanding Privacy Leakage in Agentic Dialogue
Mila – Quebec AI Institute(米拉-魁北克人工智能研究所);McGill University(麦吉尔大学);Simon Fraser University(西蒙菲莎大学);ÉTS(ÉTS(魁北克大学工程与技术学院));ServiceNow AI Research(ServiceNow人工智能研究部);Université de Montréal(蒙特利尔大学)
该研究构建了基于情境完整性理论的双智能体对话隐私泄露基准,评估Qwen3和Llama 3.1系列模型,发现任务能力与隐私泄露存在结构性耦合,思考型模型泄露更严重且随对话长度加剧。
2026-10-14 cs.AI cs.CL
DiaSynth: Synthetic Dialogue Generation Framework for Low Resource Dialogue Applications
Nanyang Technological University(南洋理工大学);Singapore Institute of Technology(新加坡理工学院)
针对特定领域对话数据集稀缺限制对话系统发展的问题,提出基于大型语言模型(LLMs)和思维链(CoT)推理的DiaSynth合成对话生成框架,实验表明其生成的合成数据可提升对话摘要模型性能,且质量随LLM规模增大而提升,为低资源对话应用提供数据支持。
2025-02-10 cs.CL cs.LG
Dialogue Chain-of-Thought Distillation for Commonsense-aware Conversational Agents
Yonsei University(延世大学);University of Minnesota(明尼苏达大学)
本文提出知识蒸馏框架,利用LLMs作为不可靠教师并通过一致性过滤器选择性蒸馏一致依据,构建对话思维链推理器DOCTOR,为对话智能体提供高质量推理依据以显著提升回复质量。
2023-10-22 cs.AI cs.CL
Who Speaks Next? Multi-party AI Discussion Leveraging the Systematics of Turn-taking in Murder Mystery Games
School of Engineering, Utsunomiya University(宇都宫大学工学院)
本研究针对多智能体对话控制难题,提出融合会话相邻对选择与内部状态自选机制的Murder Mystery Agents框架,经剧本杀场景验证可减少对话中断、提升推理与信息共享能力,为多智能体对话系统设计提供参考。
2025-02-21 cs.AI cs.CL
PersonaPKT: Building Personalized Dialogue Agents via Parameter-efficient Knowledge Transfer
University of Colorado Boulder(科罗拉多大学博尔德分校);Amazon Alexa(亚马逊Alexa)
针对个性化对话智能体依赖明确人设描述的隐私与可用性瓶颈,提出轻量迁移方法PersonaPKT,用连续向量表示人设,仅新增不足0.1%参数即可从少量对话学习隐含人设特征,兼顾人设一致性、回复质量与隐私保护。
2023-06-13 cs.AI cs.CL
Self-Emotion Blended Dialogue Generation in Social Simulation Agents
The University of Tokyo(东京大学);Couger Inc(库格公司)
本文研究 LLM 社会模拟智能体的自我情绪,通过策略预测、微调模型评估和多主题虚拟讨论实验,证明其可提升对话拟人度与自然性,并显著改变约半数决策。
2024-08-03 cs.AI cs.CL cs.CY
PSYDIAL: Personality-based Synthetic Dialogue Generation using Large Language Models
Ajou University(亚洲大学)
本文提出PSYDIAL流水线,通过提示大语言模型生成基于大五人格外向性维度的韩语人格化对话数据集,实验证明该数据集训练的模型在生成反映人格的回应上显著优于预训练和闲聊微调模型。
2024-04-01 cs.CL
ConVAWG: A Retrieval-Grounded Framework for Controlled Synthetic Dialogue Generation in Violence Against Women and Girls
University of Sheffield(谢菲尔德大学);Forensic Capability Network(法医能力网络);University of Leeds(利兹大学);University of Warwick(华威大学)
本研究针对VAWG场景建模的空白,提出检索驱动框架ConVAWG,生成符合CPS标准的合成VAWG多轮对话,发布6000余个对话事件,经多类评估验证其质量与领域保真度。
2026-08-12 cs.AI cs.CL cs.LG
PULSAR at MEDIQA-Sum 2023: Large Language Models Augmented by Synthetic Dialogue Convert Patient Dialogues to Medical Records
University of Manchester(曼彻斯特大学);National University of Singapore(新加坡国立大学);University of Melbourne(墨尔本大学)
PULSAR系统通过领域预训练与合成数据增强训练大语言模型,将医患对话转为临床记录,在MEDIQA-Sum 2023任务B中获第二、三名,并发现扩大模型规模最有效。
2023-07-05 cs.CL
Enhanced Classroom Dialogue Sequences Analysis with a Hybrid AI Agent: Merging Expert Rule-Base with Large Language Models
Institute of Education, Tsinghua University(清华大学教育研究院)
本研究提出一种结合专家规则库与大型语言模型的混合 AI agent,通过综合 30 多项研究构建全面对话分析框架,实现了对课堂对话序列准确灵活的分类,显著提升了分析效率与可扩展性。
2024-11-13 cs.AI
Cohesive Conversations: Enhancing Authenticity in Multi-Agent Simulated Dialogues
The University of Tokyo(东京大学)
针对大语言模型驱动的多智能体模拟对话存在重复、不一致、幻觉且错误易传播的问题,提出筛选-诊断-再生(SDR)框架,集成到Generative Agents后提升了对话的多样性、一致性与事实性,为该领域研究确立了新标准。
2024-08-10 cs.CL
CALM-IT: Enhancing Synthetic Motivational Interviewing Dialogue Quality with Conversational Dynamics
Georgia Institute of Technology(佐治亚理工学院);Northwell Health(北well健康);Columbia University(哥伦比亚大学)
提出CALM-IT框架,通过显式建模客户与咨询师状态的演变来生成和评估长形式动机访谈对话,在8,232个合成对话语料上优于基线方法,尤其在MITI 4.2全局评分和客户接受率上表现最佳。
2026-10-15 cs.CL
Embodied Multi-Agent Coordination by Aligning World Models Through Dialogue
Siebel School of Computing & Data Science(计算机与数据科学学院)
研究通过对话机制探索具身智能体的世界模型对齐,发现对话能减少冲突但降低任务成功率,提出评估世界模型对齐的框架。
2026-07-13 cs.AI cs.CL cs.MA
PRINCIPLES: Synthetic Strategy Memory for Proactive Dialogue Agents
Department of Artificial Intelligence, Yonsei University(燕山大学人工智能学院)
本文提出PRINCIPLES,一种基于离线自play模拟的合成策略记忆,用于提升前瞻性对话代理的策略规划能力,无需额外训练和数据标注,在情感支持和说服领域均表现出色。
2025-09-22 cs.CL
Interactive Dialogue Agents via Reinforcement Learning on Hindsight Regenerations
University of California, Berkeley(加州大学伯克利分校)
本文提出利用LLM事后反思能力,通过离线强化学习重写次优对话数据,训练交互式对话智能体,在心理健康支持和慈善捐赠任务中显著优于现有方法。
2024-11-07 cs.AI cs.CL cs.LG
ECG-Agent: On-Device Tool-Calling Agent for ECG Multi-Turn Dialogue
KAIST(韩国科学技术院);Ajou University School of Medicine(全州大学医学院)
ECG-Agent是一种基于LLM的多轮ECG对话工具调用代理,通过ECG-MTD数据集实现了设备端高效且准确的ECG对话处理。
2026-01-28 cs.AI
Toward Real-World Chinese Psychological Support Dialogues: CPsDD Dataset and a Co-Evolving Multi-Agent System
针对中文心理支持数据集稀缺问题,提出微调大模型生成数据并构建CPsDD数据集,同时开发协同进化多智能体系统CADSS,在策略预测和ESC任务上达到最优性能。
2025-07-10 cs.AI cs.CL cs.MA
MRJ-Agent: An Effective Jailbreak Agent for Multi-Round Dialogue
Alibaba Group(阿里巴巴集团);Beijing Institute of Technology(北京理工大学);Nanyang Technological University(南洋理工大学);Tsinghua University(清华大学)
针对多轮对话中现有越狱方法受限于对话复杂性的问题,本文提出 MRJ-Agent,通过风险分解和心理学策略提升隐蔽性与攻击强度,并在实验中取得最先进成功率。
2025-01-07 cs.AI cs.CL cs.CR
Generating Dialogue Agents via Automated Planning
IBM Research(IBM研究院);IBM Watson(IBM沃森);SilverGate – IBM Argentina(银门——IBM阿根廷)
对话系统具有许多应用,例如客户支持或问答。通常,它们仅限于浅的单圈相互作用。然而,更高级的应用程序,如职业教练或计划旅行,需要更复杂的多轮对话。会话系统的当前限制使得难以支持需要个性化、定制和上下文相关交互的应用。我们通过使用独立于领域的人工智能规划来自动创建对话计划来解决这个具有挑战性的问题,这些计划可以定制以引导对话实现给定的目标。输入包括原子对话动作库、对话的初始状态和目标。对话计划被插入到一个对话系统中,能够协调它们的执行。用例证明了该方法的可行性。我们在对话规划方面的工作已被纳入一个产品,目前正在部署到另一个产品中。
2019-02-02 cs.AI
PragAlign: Feedback-Guided Pragmatic Alignment for Controlled Synthetic Dialogue Generation
University of Minnesota, Twin Cities(明尼苏达大学双城分校)
本文提出PragAlign框架,采用生成-评估-修正循环实现受控合成对话生成,在800组对话规格上获99.50%评估接受率,可有效提升多交际约束满足度,但情感实现等仍为未解决挑战。
2026-09-03 cs.CL
GCAgent: Enhancing Group Chat Communication through Dialogue Agents System
Zhejiang University(浙江大学);Xiaohongshu Inc.(小红书公司);University of Science and Technology of China(中国科学技术大学)
GCAgent通过集成娱乐和实用导向的对话代理系统,提升群聊交流效果,实现多参与者对话的高效管理与增强。
2026-03-05 cs.AI
ProactiveEval: A Unified Evaluation Framework for Proactive Dialogue Agents
本文提出统一评估框架 ProactiveEval,将主动对话分解为目标规划与对话引导,构建跨 6 个领域 328 个环境并实验 22 种 LLMs,揭示推理能力对主动行为的影响。
2025-08-28 cs.AI cs.CL cs.HC
LinguaGame: A Linguistically Grounded Game-Theoretic Paradigm for Multi-Agent Dialogue Generation
Tsinghua University(清华大学);University of California, Berkeley(加州大学伯克利分校);Peking University(北京大学);East China University of Political Science and Law(中国政法大学)
LinguaGame通过博弈论范式提升多智能体对话生成的通信效率,利用语言感知推理实现意图和策略的高效沟通。
2026-01-08 cs.CL
SEAD: Self-Evolving Agent for Multi-Turn Service Dialogue
Meituan(美团)
SEAD通过自演化机制提升服务对话性能,无需大规模人工标注,实验显示其任务完成率和对话效率均优于开源和商用模型。
2026-03-28 cs.CL
DialFork: Going Beyond Factuality to Evaluate Procedural Hallucination in Conversational Agents
Idiap Research Institute(Idiap研究所);Telefónica Innovación Digital(西班牙电信创新数字公司);Logitech(罗技公司);Brno University of Technology(布尔诺理工大学)
该研究推出首个衡量对话智能体过程性幻觉的基准DialFork,定义三项评估任务并提出FlowKL、FlowScore指标,实验显示FlowScore优于基线,以MIT许可发布该基准供学界使用。
2026-11-02 cs.AI cs.CL cs.LG
MADS: Multi-Agent Dialogue Simulation for Diverse Persuasion Data Generation
Baidu Inc(百度公司)
提出MADS多智能体对话模拟框架,通过用户、对话和优化三智能体协作生成多样化说服数据,无需人工标注,并在真实营销场景中将小模型自然流量转化率提升22.4%。
2026-09-10 cs.AI cs.CL cs.CY
Depression Diagnosis Dialogue Simulation: Self-improving Psychiatrist with Tertiary Memory
Shanghai Jiao Tong University(上海交通大学);Shanda Group(盛大集团);University of Texas at Arlington(德克萨斯大学阿灵顿分校)
针对抑郁障碍自动化诊断需求,提出具备三级记忆等结构的自我改进对话系统AMC,通过医患智能体模拟对话提升诊断准确率,可在少标注、不改LLM权重下实现领域适配。
2024-10-09 cs.AI cs.CL cs.HC
Agentic-DuplexGen: Decoupling Content, Timing, and Acoustics for Synthetic Dialogue Speech
Institute of Science Tokyo(科学东京大学);Hokkaido University(北海道大学)
DuplexGen框架通过解耦对话的内容、时序与声学,生成更贴近真实对话的合成语音,构建了带多类标注的医患对话语料库,性能优于传统拼接式合成方法。
2026-08-25 cs.CL eess.AS
Improving Dialogue Agents by Decomposing One Global Explicit Annotation with Local Implicit Multimodal Feedback
Massachusetts Institute of Technology(麻省理工学院);Carnegie Mellon University(卡内基梅隆大学)
提出GELI方法,利用局部隐式多模态反馈信号跨模态塑造并分解全局显式会话级奖励,学习轮次级奖励模型并应用于RHLF流程,有效提升了基于LLM的对话智能体在各项对话指标上的表现。
2024-04-23 cs.AI cs.CL cs.HC
From What to Respond to When to Respond: Timely Response Generation for Open-domain Dialogue Agents
Pohang University of Science and Technology(浦项科技大学);Scatter Lab, Inc.(Scatter Lab公司);Kyungpook National University(庆北大学);Yonsei University(延世大学)
针对开放域对话回应时机研究不足的问题,该研究提出适时对话回应生成任务与TimelyChat基准,构建5.5万条事件驱动对话数据集并训练对话智能体Timer,其表现优于现有基线。
2025-06-17 cs.CL
NoteChat: A Dataset of Synthetic Doctor-Patient Conversations Conditioned on Clinical Notes
University of Massachusetts(马萨诸塞大学);University of Minnesota(明尼苏达大学);Microsoft(微软公司);University of Edinburgh(爱丁堡大学);University of Massachusetts, Lowell(马萨诸塞大学洛厄尔分校)
提出协作多智能体框架NoteChat,利用LLMs通过结构化角色扮演生成合成医患对话,实验证明其生成的对话质量显著优于ChatGPT和GPT-4等模型,并能有效辅助临床文档记录。
2024-06-28 cs.CL
Dialogue Shaping: Empowering Agents through NPC Interaction
Georgia Institute of Technology(佐治亚理工学院)
本文针对文本游戏中强化学习智能体训练收敛慢的问题,提出利用大型语言模型与NPC交互获取关键信息,并结合知识图谱和Story Shaping技术加速智能体训练。
2023-07-28 cs.CL
The Future of Cognitive Strategy-enhanced Persuasive Dialogue Agents: New Perspectives and Trends
Northwestern Polytechnical University(西北工业大学);National University of Defense Technology(国防科技大学)
本文综述认知策略增强的说服性对话智能体(CogAgent),提出融合说服、话题路径规划和论证结构预测三种策略的系统架构,并总结基准与未来方向。
2024-02-07 cs.CL
HealthDial: A No-Code LLM-Assisted Dialogue Authoring Tool for Healthcare Virtual Agents
Northeastern University(东北大学)
本文提出 HealthDial,一种利用 LLM 从健康教育材料生成可编辑有限状态机对话的无代码工具,并通过癌症筛查创作任务验证其可行性与可用性。
2025-09-10 cs.CL cs.CY cs.HC
Towards Lifelong Dialogue Agents via Timeline-based Memory Management
Yonsei University(延世大学);Seoul National University(首尔大学)
针对终身对话智能体,提出THEANINE框架,通过时间与因果链接管理大规模记忆并生成记忆时间线以增强响应生成,同时引入TeaFarm评估方案解决记忆整合评估的局限。
2025-01-29 cs.CL
Aligning Dialogue Agents with Global Feedback via Large Language Model Multimodal Reward Decomposition
MIT(麻省理工学院);CMU(卡内基梅隆大学)
本文提出了一种基于大语言模型的多模态奖励分解方法,通过分解会话级反馈来提升对话生成质量,无需人工反馈。
2026-02-11 cs.CL
Benevolent Bias in Multi-Turn Human-Agent Dialogue
University of Cambridge(剑桥大学)
本研究针对人机对话中隐藏在积极语气后的善意偏见,构建了标注语料库并测试两类检测器,发现现有安全检测器难识别善意偏见,LLM评判器易误判,需关注对待方式差异以实现公平监控。
2026-09-30 cs.AI
Exploring Design of Multi-Agent LLM Dialogues for Research Ideation
Artificial Intelligence Research Center, AIST(人工智能研究中心,AIST);EPFL(瑞士联邦理工学院);Stockmark(Stockmark公司)
本研究全面分析了Multi-Agent LLM对话在科学构想中的设计,发现扩大agent群体、加深交互深度、拓宽角色异质性可丰富构想多样性,且在ideation-critique-revision循环中增加批评侧多样性能进一步提升最终提案的可行性。
2025-07-11 cs.CL cs.MA
Rapport-Driven Virtual Agent: Rapport Building Dialogue Strategy for Improving User Experience at First Meeting
Nara Institute of Science and Technology(奈良科学技术研究所);RIKEN(理化学研究所)
本文提出由融洽关系驱动的虚拟智能体对话策略,通过提示LLM并比较预定义序列与自由形式两种闲聊生成方式,发现自由形式在主观体验评分中表现最佳。
2024-06-14 cs.CL cs.HC
SPADE: Structured Prompting Augmentation for Dialogue Enhancement in Machine-Generated Text Detection
The University of Melbourne(墨尔本大学)
SPADE提出结构化提示扩充框架,生成正负样本构建14个对话数据集,在8个MGT检测模型上验证混合数据可提升泛化性能,并模拟在线检测分析聊天历史长度与准确率关系。
2025-07-01 cs.CL
Beyond Turn-Based Interfaces: Synchronous LLMs as Full-Duplex Dialogue Agents
Meta AI;University of Washington(华盛顿大学)
提出Synchronous LLMs,通过将时间信息整合到Llama3-8b并利用212k小时合成与2k小时真实语音数据训练,实现了超越现有最先进方法的全双工语音对话代理。
2024-09-23 cs.CL cs.LG cs.SD
SPASM: Stable Persona-driven Agent Simulation for Multi-turn Dialogue Generation
University of Leeds(利兹大学);Southwest Jiaotong University(西南交通大学);Ben-Gurion University of the Negev(内盖夫本-古里安大学)
本文提出SPASM框架,通过人格创建、对话生成和终止检测模块,提升多轮对话生成的稳定性,采用ECP方法减少人格漂移和回声现象。
2026-04-10 cs.CL cs.MA
Hybrid LLM-Embedded Dialogue Agents for Learner Reflection: Designing Responsive and Theory-Driven Interactions
University of Pittsburgh(匹兹堡大学);Carnegie Mellon University(卡内基梅隆大学);Bowie State University(鲍威州立大学)
本文提出一种混合对话系统,结合LLM的响应能力与理论驱动的规则框架,以支持学习者反思,但发现其在提高反思深度的同时也带来了一些挑战。
2026-02-24 cs.AI cs.HC