論文の概要: Deflanderization for Game Dialogue: Balancing Character Authenticity with Task Execution in LLM-based NPCs

• arxiv url: http://arxiv.org/abs/2510.13586v1
• Date: Wed, 15 Oct 2025 14:17:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-16 20:13:28.705004
• Title: Deflanderization for Game Dialogue: Balancing Character Authenticity with Task Execution in LLM-based NPCs
• Title（参考訳）: ゲーム対話のためのデフランダライズ:LLMベースのNPCにおけるタスク実行による文字認証のバランシング
• Authors: Pasin Buakhaw, Kun Kerdthaisong, Phuree Phenhiran, Pitikorn Khlaisamniang, Supasate Vorathammathorn, Piyalitt Ittichaiwong, Nutchanon Yongsatianchot,
• Abstract要約: 本稿では,Commonsense Persona-Grounded Dialogue Challenge (CPDC) 2025 Round 2への参加について報告する。 i) 過剰なロールプレイの抑制とタスクの忠実度向上のためのデフランダライズプロンプト手法を含むAPIトラックの軽量なプロンプト手法と,(ii) Qwen3-14Bと教師付きファインタニング(SFT)とローランド適応(LoRA)を併用したGPUトラックの微調整大型モデルを組み合わせる。 第1タスク(APIトラック)では第2位,第3タスクでは第4位です。
• 参考スコア（独自算出の注目度）: 2.2816872489992135
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The emergence of large language models (LLMs) has opened new opportunities for cre- ating dynamic non-player characters (NPCs) in gaming environments, enabling both func- tional task execution and persona-consistent dialogue generation. In this paper, we (Tu_Character_lab) report our participation in the Commonsense Persona-Grounded Dialogue Challenge (CPDC) 2025 Round 2, which eval- uates agents across three tracks: task-oriented dialogue, context-aware dialogue, and their integration. Our approach combines two complementary strategies: (i) lightweight prompting techniques in the API track, including a Deflanderization prompting method to suppress excessive role-play and improve task fidelity, and (ii) fine-tuned large models in the GPU track, leveraging Qwen3-14B with supervisedfinetuning (SFT) and Low-Rank Adaptation(LoRA). Our best submissions ranked 2nd on Task 1, 2nd on Task 3 (API track), and 4th on Task 3 (GPU track).
• Abstract（参考訳）: 大規模言語モデル(LLM)の出現により,ゲーム環境における動的非プレイヤーキャラクタ(NPC)の創出が新たな機会となり,ファンク・オプショナルタスクの実行とペルソナ・一貫性のある対話生成が可能になった。 本稿では,タスク指向対話,コンテキスト認識対話,およびそれらの統合という3つのトラックにわたるエージェントをeval- uatesする,Commonsense Persona-Grounded Dialogue Challenge (CPDC) 2025 Round 2への参加について報告する。 私たちのアプローチは2つの補完的な戦略を組み合わせています。 i) 過剰なロールプレイの抑制とタスクの忠実性向上のためのデフランダライズプロンプト手法を含む,APIトラックの軽量なプロンプト技術 (II)Qwen3-14Bと教師付きファインタニング(SFT)とローランド適応(LoRA)を併用したGPUトラックの微調整大型モデル。 第1タスク(APIトラック)では第2位,第3タスク(GPUトラック)では第4位でした。

関連論文リスト

• Hybrid Voting-Based Task Assignment in Role-Playing Games [0.0]
  投票ベースのタスク割り当て(VBTA)は、タスク割り当てと完了における人間の推論にインスパイアされたフレームワークである。 VBTAは、各タスクに最も適したエージェントを効率よく識別し割り当てる。 我々の手法は、独自の戦闘遭遇と物語を創出する際の約束を示す。
  論文  参考訳（メタデータ） (2025-02-25T22:58:21Z)
• Game Development as Human-LLM Interaction [55.03293214439741]
  本稿では,Human-LLMインタラクションを利用したChat Game Engine(ChatGE)を紹介する。 ChatGEは、Human-LLMインタラクションを通じて、自然言語を使ってカスタムゲームを開発することができる。 ポーカーゲームのためのChatGEをケーススタディとして構築し、インタラクションの品質とコードの正確性という2つの観点から評価する。
  論文  参考訳（メタデータ） (2024-08-18T07:06:57Z)
• A Dialogue Game for Eliciting Balanced Collaboration [64.61707514432533]
  本稿では、プレイヤーがゴール状態自体を交渉しなければならない2Dオブジェクト配置ゲームを提案する。 我々は,人間プレイヤーが様々な役割を担っていることを実証的に示し,バランスの取れた協調によってタスクのパフォーマンスが向上することを示した。
  論文  参考訳（メタデータ） (2024-06-12T13:35:10Z)
• Are LLMs Robust for Spoken Dialogues? [10.855403629160921]
  大規模な事前学習型言語モデルでは、さまざまな下流タスクで最先端のパフォーマンスが実証されている。 タスク指向対話に関する公開データセットとベンチマークのほとんどは、書かれた会話に重点を置いている。 DSTC11テストセットにおける音声タスク指向対話におけるLLMの性能評価を行った。
  論文  参考訳（メタデータ） (2024-01-04T14:36:38Z)
• Deploying a Retrieval based Response Model for Task Oriented Dialogues [8.671263996400844]
  タスク指向の対話システムは会話能力が高く、状況の変化に容易に適応でき、ビジネス上の制約に適合する必要がある。 本稿では,これらの基準を満たす対話モデルを開発するための3段階の手順について述べる。
  論文  参考訳（メタデータ） (2022-10-25T23:10:19Z)
• Video-Grounded Dialogues with Pretrained Generation Language Models [88.15419265622748]
  我々は、ビデオ地上対話を改善するために、事前学習された言語モデルのパワーを利用する。 本稿では,シーケンス・ツー・グラウンドの対話タスクを,シーケンス・トゥ・グラウンドのタスクとして定式化するフレームワークを提案する。 我々のフレームワークは、微調整の言語モデルで複数のモダリティにまたがる依存関係をキャプチャできる。
  論文  参考訳（メタデータ） (2020-06-27T08:24:26Z)
• TOD-BERT: Pre-trained Natural Language Understanding for Task-Oriented Dialogue [113.45485470103762]
  本研究では,言語モデリングのためのタスク指向対話データセットを,人間とマルチターンの9つに統合する。 事前学習時の対話動作をモデル化するために,ユーザトークンとシステムトークンをマスク付き言語モデルに組み込む。
  論文  参考訳（メタデータ） (2020-04-15T04:09:05Z)

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。