論文の概要: Test-Time-Matching: Decouple Personality, Memory, and Linguistic Style in LLM-based Role-Playing Language Agent

• arxiv url: http://arxiv.org/abs/2507.16799v2
• Date: Wed, 23 Jul 2025 06:06:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-24 12:00:05.693968
• Title: Test-Time-Matching: Decouple Personality, Memory, and Linguistic Style in LLM-based Role-Playing Language Agent
• Title（参考訳）: テスト時間マッチング:LLMに基づくロールプレイング言語エージェントにおける2つのパーソナリティ、記憶、言語スタイル
• Authors: Xiaoyu Zhan, Xinyu Fu, Hao Sun, Yuanqi Li, Jie Guo, Yanwen Guo,
• Abstract要約: TTM(Test-Time-Matching)は、テスト時間スケーリングとコンテキストエンジニアリングによる、トレーニング不要なロールプレイングフレームワークである。 我々のフレームワークは、これらの機能を制御されたロールプレイングに利用する、構造化された3段階生成パイプラインを含んでいる。 高忠実なロールプレイングのパフォーマンスを実現し、多様な言語スタイルのシームレスな組み合わせや、個性や記憶のバリエーションも実現している。
• 参考スコア（独自算出の注目度）: 18.67432557362308
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid advancement of large language models (LLMs) has enabled role-playing language agents to demonstrate significant potential in various applications. However, relying solely on prompts and contextual inputs often proves insufficient for achieving deep immersion in specific roles, particularly well-known fictional or public figures. On the other hand, fine-tuning-based approaches face limitations due to the challenges associated with data collection and the computational resources required for training, thereby restricting their broader applicability. To address these issues, we propose Test-Time-Matching (TTM), a training-free role-playing framework through test-time scaling and context engineering. TTM uses LLM agents to automatically decouple a character's features into personality, memory, and linguistic style. Our framework involves a structured, three-stage generation pipeline that utilizes these features for controlled role-playing. It achieves high-fidelity role-playing performance, also enables seamless combinations across diverse linguistic styles and even variations in personality and memory. We evaluate our framework through human assessment, and the results demonstrate that our method achieves the outstanding performance in generating expressive and stylistically consistent character dialogues.
• Abstract（参考訳）: 大規模言語モデル(LLM)の急速な進歩により、ロールプレイング言語エージェントは様々なアプリケーションにおいて大きな可能性を示せるようになった。 しかし、プロンプトや文脈的な入力にのみ依存することは、特定の役割、特に有名な架空の人物や公共の人物に深く没頭させるには不十分であることがしばしば証明される。 一方、微調整に基づくアプローチは、データ収集とトレーニングに必要な計算資源に関連する課題によって制限に直面し、より広範な適用性を制限する。 これらの問題に対処するため,テスト時間スケーリングとコンテキストエンジニアリングを通じて,トレーニング不要なロールプレイングフレームワークであるTTM(Test-Time-Matching)を提案する。 TTMはLLMエージェントを使用して、文字の特徴を人格、記憶、言語スタイルに自動的に分離する。 我々のフレームワークは、これらの機能を制御されたロールプレイングに利用する、構造化された3段階生成パイプラインを含んでいる。 高忠実なロールプレイングのパフォーマンスを実現し、多様な言語スタイルのシームレスな組み合わせや、個性や記憶のバリエーションも実現している。 提案手法は,人的評価による枠組みの評価を行い,表現的かつスタイリスティックに一貫した文字対話を生成する上で,優れた性能を発揮することを示す。

関連論文リスト

• A Personalized Conversational Benchmark: Towards Simulating Personalized Conversations [112.81207927088117]
  PersonaConvBenchは、大規模言語モデル(LLM)とのマルチターン会話におけるパーソナライズされた推論と生成を評価するためのベンチマークである。 我々は,複数の商用およびオープンソース LLM を統一的なプロンプト設定でベンチマークし,パーソナライズされた履歴を組み込むことで大幅な性能向上が得られることを観察した。
  論文  参考訳（メタデータ） (2025-05-20T09:13:22Z)
• Enhancing Persona Consistency for LLMs' Role-Playing using Persona-Aware Contrastive Learning [7.836439251883518]
  モデルロールプレイング行動を調整するために,textbfunderlinePersona-Aware textbfunderlineContrastive textbfunderlineLearning (PCL) という新しいフレームワークを提案する。 自動評価法と人手による評価では,PCLはバニラLLMよりも有意に優れていた。
  論文  参考訳（メタデータ） (2025-03-22T06:12:34Z)
• A Multi-Task Role-Playing Agent Capable of Imitating Character Linguistic Styles [28.237927070779925]
  現在のロールプレイングエージェント(RPAs)は、主に言語のスタイルの複製を無視しながら、キャラクターの基本属性を模倣することに焦点を当てている。 ダイアログ,辞書,コンポジション,ストーリ生成,製品記述,音楽解説,オープン質問回答を含む7つのタスクにおいて,近年のオープンソースLLMとRPAのベースラインを著しく上回るマルチタスクロールプレイングエージェント(MRPA)であるStyleRPAを開発した。
  論文  参考訳（メタデータ） (2024-11-04T02:26:27Z)
• Capturing Minds, Not Just Words: Enhancing Role-Playing Language Models with Personality-Indicative Data [58.92110996840019]
  本稿では、パーソナリティを指標としたデータを用いて、ロールプレイング言語モデル(RPLM)を強化することを提案する。 具体的には、心理学的尺度からの質問を活用し、高度なRPAを蒸留し、文字の心を把握した対話を生成する。 実験により,本データセットを用いてトレーニングしたRPLMは,一般人格関連評価と人格関連評価の両面において,高度なロールプレイング能力を示した。
  論文  参考訳（メタデータ） (2024-06-27T06:24:00Z)
• Role-playing Prompt Framework: Generation and Evaluation [3.2845546753303867]
  大規模言語モデル(LLM)は、自然言語生成、ユーザ命令の理解、人間に似た言語使用のエミュレートにおいて、優れた習熟度を示す。 本稿では、ロールプレイング対話データセットの生成にGPTの機能を活用するために設計されたプロンプトベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-02T06:09:56Z)
• Large Language Models are Superpositions of All Characters: Attaining Arbitrary Role-play via Self-Alignment [62.898963074989766]
  本稿では,ロールプレイのための自己アライメント手法であるDittoを紹介する。 この方法は4000文字からなるロールプレイトレーニングセットを生成し、現在利用可能なデータセットのスケールを10倍に超える。 本稿では,ロールプレイ領域におけるクロススーパービジョンアライメント実験について紹介する。
  論文  参考訳（メタデータ） (2024-01-23T03:56:22Z)
• LMRL Gym: Benchmarks for Multi-Turn Reinforcement Learning with Language Models [56.25156596019168]
  本稿では,LMRL-Gymベンチマークを用いて,大規模言語モデル(LLM)のマルチターンRLの評価を行う。 我々のベンチマークは8つの異なる言語タスクで構成されており、複数ラウンドの言語相互作用が必要であり、オープンエンド対話やテキストゲームにおける様々なタスクをカバーする。
  論文  参考訳（メタデータ） (2023-11-30T03:59:31Z)

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。