Fugu-MT 論文翻訳(概要): Efficient Tool-Calling Multi-Expert NPC Agent for Commonsense Persona-Grounded Dialogue

論文の概要: Efficient Tool-Calling Multi-Expert NPC Agent for Commonsense Persona-Grounded Dialogue

arxiv url: http://arxiv.org/abs/2511.01720v1
Date: Mon, 03 Nov 2025 16:28:47 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-05 16:37:27.326124
Title: Efficient Tool-Calling Multi-Expert NPC Agent for Commonsense Persona-Grounded Dialogue
Title（参考訳）: コモンセンスペルソナ周辺対話のための効率的なツールカーリング多機能NPCエージェント
Authors: Mahammad Nuriyev,
Abstract要約: 本研究では,自然対話と文脈行動実行の両方が可能なノンプレイヤキャラクタ(NPC)を作成するシステムを提案する。我々のシステムは、計算効率の要求を満たし、高速な応答を提供し、資源使用量を最小限に抑える。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a multi-expert system for creating Non-Player Characters (NPCs) capable of both natural dialogue and contextual action execution in interactive environments. Using Qwen3 as the base model and Low-Rank Adaptation (LoRA) adapters, we instantiate three specialists: tool calling, tool-response interpretation, and direct dialogue. Our system comfortably meets the computational efficiency requirements, delivering fast responses and maintaining modest resource usage on L40S GPUs. In the Commonsense Persona-Grounded Dialogue Challenge 2025, our method ranked second overall. Code available at: https://github.com/MahammadNuriyev62/CPDC-challenge-2025-solution/
Abstract（参考訳）: 本研究では,対話環境における自然な対話と文脈的行動実行の両立が可能な,Non-Player Characters (NPC) を作成するためのマルチエキスパートシステムを提案する。 Qwen3をベースモデルとし、ローランド適応(LoRA)アダプタを用いて、ツール呼び出し、ツール応答解釈、ダイレクト対話の3つの専門家をインスタンス化する。我々のシステムは計算効率の要求を快適に満たし、高速な応答を提供し、L40S GPU上では控えめなリソース使用率を維持する。 2025年のコモンセンス・ペルソナ・グラウンド・ダイアログ・チャレンジでは,本手法が総合的に第2位であった。 https://github.com/MahammadNuriyev62/CPDC-challenge-2025-solution/

関連論文リスト

Deflanderization for Game Dialogue: Balancing Character Authenticity with Task Execution in LLM-based NPCs [2.2816872489992135]
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。
論文参考訳（メタデータ） (2025-10-15T14:17:23Z)
Talk Less, Call Right: Enhancing Role-Play LLM Agents with Automatic Prompt Optimization and Role Prompting [5.349968796938335]
本稿では,ツール強化された大規模言語モデル(LLM)を,Commonsense Persona-grounded Dialogue Challenge(CPDC)2025のAPIトラックでロールプレイング対話エージェントとして機能させるアプローチについて検討する。 1)基本的なロールプロンプト、2)改善されたロールプロンプト、3)自動プロンプト最適化(APO)、4)ルールベースのロールプロンプトである。ルールベースのロールプロンプト(RRP)アプローチは、2つの新しい技術であるキャラクタカード/シーンコントラクション設計と関数呼び出しの厳格な実施によって最高のパフォーマンスを達成した。
論文参考訳（メタデータ） (2025-08-30T12:45:36Z)
KwaiChat: A Large-Scale Video-Driven Multilingual Mixed-Type Dialogue Corpus [69.46707346122113]
本稿では,人間間ビデオ駆動型多言語混在型対話コーパスを提案する。 KwaiChatのコーパスには合計93,209の動画と246,080の対話があり、4つの対話タイプ、30のドメイン、4つの言語、13のトピックが含まれている。 KwaiChat上での 7 つの異なる LLM の解析により、GPT-4o が最高の性能を発揮するが、この状況では性能が良くないことが明らかとなった。
論文参考訳（メタデータ） (2025-03-10T04:05:38Z)
Interactive Dialogue Agents via Reinforcement Learning on Hindsight Regenerations [58.65755268815283]
多くの実際の対話は対話的であり、つまりエージェントの発話が会話の相手に影響を与えるか、情報を引き出すか、意見を変えるかである。この事実を利用して、既存の最適データを書き直し、拡張し、オフライン強化学習(RL)を介してトレーニングする。実際の人間によるユーザ調査の結果、我々のアプローチは既存の最先端の対話エージェントを大きく上回っていることがわかった。
論文参考訳（メタデータ） (2024-11-07T21:37:51Z)
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)
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)
Evaluating Very Long-Term Conversational Memory of LLM Agents [95.84027826745609]
我々は,高品質で長期的な対話を生成するための,マシン・ヒューマン・パイプラインを導入する。我々は、各エージェントに画像の共有と反応の能力を持たせる。生成した会話は、長距離一貫性のために人間のアノテーションによって検証され、編集される。
論文参考訳（メタデータ） (2024-02-27T18:42:31Z)
A Mixture-of-Expert Approach to RL-based Dialogue Management [56.08449336469477]
我々は、強化学習を用いて、近視性(一般的な発話の出力)を回避し、全体的なユーザ満足度を最大化する対話エージェントを開発する。既存のRLアプローチのほとんどは、単語レベルでエージェントを訓練するので、中規模の語彙であっても、非常に複雑なアクション空間を扱う必要がある。 i)会話履歴の多様な意味を学習できるLMと、(ii)対応する発話を生成できる専門的なLM(または専門家)からなる、新しい専門家言語モデル(MoE-LM)を用いたRLベースのDMを開発する。
論文参考訳（メタデータ） (2022-05-31T19:00:41Z)
Few-Shot Bot: Prompt-Based Learning for Dialogue Systems [58.27337673451943]
ごく少数の例を使って会話を学ぶことは、会話型AIにおける大きな課題である。現在の最良の会話モデルは、良いチャットシャッター(例:BlenderBot)またはゴール指向システム(例:MinTL)である。グラデーションベースの微調整を必要とせず、学習の唯一の源としていくつかの例を用いるプロンプトベースの数ショット学習を提案する。
論文参考訳（メタデータ） (2021-10-15T14:36:45Z)

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。