論文の概要: Leveraging Large Language Models for Active Merchant Non-player Characters

• arxiv url: http://arxiv.org/abs/2412.11189v1
• Date: Sun, 15 Dec 2024 13:48:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 14:01:44.981452
• Title: Leveraging Large Language Models for Active Merchant Non-player Characters
• Title（参考訳）: アクティブマーチャント非プレーヤキャラクタのための大規模言語モデルの活用
• Authors: Byungjun Kim, Minju Kim, Dayeon Seo, Bugeun Kim,
• Abstract要約: 我々は、現在の商人ノンプレイヤーキャラクタ(NPC)の通過に繋がる2つの重要な課題を強調した。 評価モジュールと交渉モジュールから構成されるMARTと呼ばれる,大規模言語モデル(LLM)に基づく商談フレームワークを提案する。 その結果, 教師付き微粒化 (SFT) や知識蒸留 (KD) などの微粒化法は, より小型のLCMを用いて, アクティブな商店NPCの実現に有効であることが示唆された。
• 参考スコア（独自算出の注目度）: 6.412262542272846
• License:
• Abstract: We highlight two significant issues leading to the passivity of current merchant non-player characters (NPCs): pricing and communication. While immersive interactions have been a focus, negotiations between merchant NPCs and players on item prices have not received sufficient attention. First, we define passive pricing as the limited ability of merchants to modify predefined item prices. Second, passive communication means that merchants can only interact with players in a scripted manner. To tackle these issues and create an active merchant NPC, we propose a merchant framework based on large language models (LLMs), called MART, which consists of an appraiser module and a negotiator module. We conducted two experiments to guide game developers in selecting appropriate implementations by comparing different training methods and LLM sizes. Our findings indicate that finetuning methods, such as supervised finetuning (SFT) and knowledge distillation (KD), are effective in using smaller LLMs to implement active merchant NPCs. Additionally, we found three irregular cases arising from the responses of LLMs. We expect our findings to guide developers in using LLMs for developing active merchant NPCs.
• Abstract（参考訳）: 我々は、現在の商人ノンプレイヤーキャラクタ(NPC)の通過に繋がる2つの重要な課題、すなわち価格とコミュニケーションを強調した。 没入型インタラクションは注目されているが、商店NPCと商品価格に関するプレイヤーとの交渉は十分に注目されていない。 まず、受動的価格を、事前定義された商品価格を変更する商店の限られた能力として定義する。 第二に、受動的コミュニケーションとは、商人がスクリプト方式でプレイヤーとしか対話できないことを意味する。 これらの課題に対処し,商店NPCを作成するために,評価モジュールと交渉モジュールからなる大規模言語モデル (LLM) に基づく商取引フレームワーク MART を提案する。 ゲーム開発者に対して,異なるトレーニング手法とLLMサイズを比較して,適切な実装を選択するための2つの実験を行った。 その結果, 教師付き微粒化 (SFT) や知識蒸留 (KD) などの微粒化法は, より小型のLCMを用いて, アクティブな商店NPCの実現に有効であることが示唆された。 また,LSMの反応から3例の異常症例がみられた。 当社の成果は, LLM を用いた商業用 NPC の開発において, 開発者の指導に役立てることが期待できる。

関連論文リスト

• MCPDial: A Minecraft Persona-driven Dialogue Dataset [22.420926356322568]
  Minecraft Persona-driven Dialogue dataset (MCPDial)について紹介する。 専門家が書いた会話の小さなシードから始めると、さらに数百の会話を生成するために我々の手法が使われます。 会話は長く、プレイヤーとNPCの間の深い対話を可能にする。
  論文  参考訳（メタデータ） (2024-10-29T00:19:55Z)
• IntentionQA: A Benchmark for Evaluating Purchase Intention Comprehension Abilities of Language Models in E-commerce [71.37481473399559]
  本稿では,eコマースにおけるLMの購入意図の理解を評価するためのベンチマークであるIntentionQAを提案する。 インテンションQAは、自動化パイプラインを使用して構築された3つの困難レベルにわたる4,360の慎重に計算された問題で構成されている。 人間の評価は、我々のベンチマークの高品質で低い偽陰性率を示す。
  論文  参考訳（メタデータ） (2024-06-14T16:51:21Z)
• Measuring Bargaining Abilities of LLMs: A Benchmark and A Buyer-Enhancement Method [17.388837360641276]
  本稿では,Bargainingタスクを非対称な不完全情報ゲームとして記述する。 これにより、Bargainタスクにおけるエージェントのパフォーマンスを定量的に評価することができます。 本稿では,OG-Narratorと呼ばれる新手法を提案する。
  論文  参考訳（メタデータ） (2024-02-24T13:36:58Z)
• How Well Can LLMs Negotiate? NegotiationArena Platform and Analysis [50.15061156253347]
  人間は自動車の価格から共通の資源の共有方法まで、あらゆることを交渉する。 大規模言語モデル(LLM)を人間の代理エージェントとして使うことへの関心が急速に高まっているため、そのようなLLMエージェントも交渉できる必要がある。 我々は,LLMエージェントの交渉能力を評価し,検証するためのフレキシブルなフレームワークであるNegotiationArenaを開発した。
  論文  参考訳（メタデータ） (2024-02-08T17:51:48Z)
• Assistive Large Language Model Agents for Socially-Aware Negotiation Dialogues [47.977032883078664]
  我々はLarge Language Models(LLM)に基づく支援エージェントを開発する。 2つのLLMエージェントをロールプレイに参加させることで、ビジネス交渉をシミュレートする。 第3のLLMは、交渉結果を改善するための基準に違反した発話を書き換える仲介役として機能する。
  論文  参考訳（メタデータ） (2024-01-29T09:07:40Z)
• Salespeople vs SalesBot: Exploring the Role of Educational Value in Conversational Recommender Systems [78.84530426424838]
  既存の会話レコメンデータシステムは、ユーザのバックグラウンド知識の欠如をよく見落とし、好みの収集にのみ焦点をあてる。 このようなシステムのシミュレーションと評価を容易にするフレームワークであるSalesOpsを紹介する。 私たちは、フレームワークの両側をシミュレートできるLLMベースのエージェントであるSalesBotとShopperBotを構築しています。
  論文  参考訳（メタデータ） (2023-10-26T19:44:06Z)
• Cooperation, Competition, and Maliciousness: LLM-Stakeholders Interactive Negotiation [52.930183136111864]
  我々は,大言語モデル(LLM)を評価するためにスコーラブルネゴシエーション(scorable negotiations)を提案する。 合意に達するには、エージェントは強力な算術、推論、探索、計画能力を持つ必要がある。 我々は、新しいゲームを作成し、進化するベンチマークを持つことの難しさを増大させる手順を提供する。
  論文  参考訳（メタデータ） (2023-09-29T13:33:06Z)
• Improving Language Model Negotiation with Self-Play and In-Context Learning from AI Feedback [97.54519989641388]
  交渉ゲームにおいて,複数大言語モデル(LLM)が,遊び,振り返り,批判によって自律的に互いに改善できるかどうかを検討する。 私たちが考慮している言語モデルのサブセットだけが、AIフィードバックから自己プレイし、取引価格を改善することができます。
  論文  参考訳（メタデータ） (2023-05-17T11:55:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。