Это исследование в области искусственного интеллекта из Китая представляет персонаж-LLM, который обучает LLM сыграть определенные роли, такие как Бетховен, царица Клеопатра, Юлий Цезарь и т. д.

Исследование из Китая персонаж-LLM, обучаемый играть роли Бетховена, Клеопатры, Цезаря и многих других

Character-LLM – это обучаемый агент, разработанный для моделирования конкретных личностей путем редактирования профилей и обучения моделям в качестве их личных копий, повторяющих их уникальный опыт. Оценка в игровой площадке включает интервью с обученными агентами для оценки их способности запоминать личностей и опыт. Подход исследует создание персонализированных цифровых симулякров, что свидетельствует о значительном прогрессе в симуляции персонажей, управляемой ИИ, и понимании человеческого опыта.

Китайская команда исследователей представила концепцию обучения агентов в качестве симулякров персонажей с помощью Character-LLM. Они описывают рамки обучения, включающие восстановление опыта, загрузку и защиту опыта для обучения этих симулякров с помощью LLM. Их подход подразумевает редактирование профилей и обучение моделей для моделирования конкретных исторических фигур, таких как Бетховен, царица Клеопатра и Юлий Цезарь. Эффективность оценивается на игровой площадке, где с обученными агентами проводятся интервью для оценки их способности запоминать личности и опыт. Экспериментальные результаты предлагают представления для будущего развития в симуляции человеческих личностей.

LLM-модели, такие как ChatGPT и GPT-4, исследуются для симуляции человеческого поведения в повседневной жизни и глубоких переживаниях. Чтобы преодолеть ограничения простого LLM-запроса, исследователи представляют Character-LLM. Это обучаемый агент для ролевых игр, который учится на основе реального опыта и эмоций. Опыты конкретных исторических фигур, таких как Бетховен, царица Клеопатра и Юлий Цезарь, собираются для обучения Character-LLM. Их подход имеет потенциальные применения в социальных науках, разработке NPC и сокращении трудозатрат. Оценка проводится на игровой площадке для оценки способности агентов запоминать личности и опыт.

• Meta AI Researchers представляют GenBench революционную платформу для продвижения обобщения в обработке естественного языка
• Список достижений искусственного интеллекта ИИ, полученных некоммерческими исследователями
• Исследователи университета Цинхуа предлагают модели скрытого согласования (LCMs) следующее поколение моделей ИИ-генераторов после моделей латентного распространения (LDMs).

Character-LLM использует рамки обучения, включающие восстановление опыта, загрузку и защиту опыта, с акцентом на формализации опыта персонажей, таких как Бетховен, царица Клеопатра и Юлий Цезарь. Агенты обучаются с использованием моделей больших языковых моделей для создания персональных симулякров с отредактированными профилями и эмоциональными состояниями. Оценка проводится путем интервью на игровой площадке для оценки запоминания персонажей. Несмотря на то, что их исследование предоставляет ценные идеи, оно требует более технических деталей о методах обучения и реализации рамок.

Персонажи-LLM демонстрируют превосходную производительность в плане личности, запоминания, галлюцинаций и стабильности по сравнению с базовыми моделями. Несмотря на их более низкомасштабные размеры, персонажи-LLM достигают результатов, сопоставимых с базовой моделью ChatGPT, имеющей больший масштаб. Тренировочные агенты производят более яркие ответы, вспоминают конкретные прошлые опыты и отвергают ненатуральные вопросы. Длина ответа влияет на результаты, в пользу более короткого и естественного текста. Однако остается вызовом осознание ценности персонажа. Экспериментальные результаты предлагают ценные идеи для развития симуляции человеческих личностей.

В заключение, Character-LLM – это эффективный обучаемый агент для моделирования конкретных личностей, проявляющий впечатляющие результаты в плане личности, запоминания, галлюцинаций и стабильности. Character-LLM сравнимы с мощными базовыми моделями ChatGPT, даже при меньшем масштабе. Эти агенты предлагают яркие ответы, вспоминают конкретные опыты и отвергают натуральные запросы. Результаты предоставляют важные представления для развития симуляции человеческих личностей. В дальнейшем предполагается создание еще более способных агентов для взаимодействия с реальными людьми, обладающих большей мощностью и способствующих установлению прочных связей с людьми.