标签
该论文提出 PeopleMakingConversation 基准，通过 176 段非脚本对话中的 427 个停顿点和 482 个话轮结束点，评估六个实时语音系统在何时开口、延迟、回复长度与对话记忆等方面的自然对话表现，并公开数据与评测框架。
本文介绍了GrowLoop，一个用于评估开放式对话中人类相似度的自我进化评估系统。它利用最少的人类种子标注，迭代优化评估标准，解决了隐性知识、人类意见分歧和模型能力进化等挑战。