conversation

本文提出一个框架，将静态任务转化为动态的多轮对话，以评估LLMs追踪不断演变的用户意图的能力，结果发现强大的静态性能并不能迁移到动态场景中。

探讨了将AI智能体的对话历史视为一个简单文件的想法，提出了一种极简且透明的智能体状态管理方法。

记录AGI Summit上田渊栋与Holly Zheng关于超越超级智能的对话。

OpenAI展示了GPT-Live的改进，突出了其在实时处理多项任务（如查询航班、天气和制定行程）的同时保持对话的能力。

Dwarkesh Patel宣布将于7月22日与Dr. Fei-Fei Li进行一场不公开的对话，名额有限。

TurnNat是一种基于似然的框架，用于自动评估双人对话中的轮流发言自然性，它使用在自然对话上训练的因果轮流发言预测模型，通过负对数似然来测量时间异常性。

本文主张传统的提示工程已经过时，现代LLM是意图重构器，应通过自然、丰富的对话而非精简指令来与模型交互。

一篇探讨为什么与他人一起出声思考比独自反思更能产生更好的理解和洞见的文章，借鉴了认知科学和哲学。

一位用户报告称，在关于百草枯的科学讨论中，Claude反复假设用户有自杀意图，尽管用户明确否认了超过20次，这降低了服务质量，并引发了对过度敏感的安全机制的担忧。

一位开发者测试了小型边缘模型（LFM2.5、Gemma 变体）在多个对话轮次中保持一个事实的能力，发现模型常常自信地否认知道仍在上下文中的信息，这给智能体架构带来了信任问题，并暗示了记忆与格式规范之间的权衡。

LANTERN 引入了一个轻量级记忆层，能够在对话压缩后归档对话轮次并检索相关细节，恢复了78.3%丢失的事实，且无需任何LLM调用，性能优于基于MemGPT的方法。

Jeff Dean 感谢 Two Minute Papers 主持人进行了一场关于 AI 研究的对话，并在帖子中附带了完整视频的链接。

陶哲轩与Mark Chen讨论了人工智能如何改变数学研究，从文献搜索到代码生成，以及调整工作流程的必要性。

一位用户分享了与 Opus 4.8（一款AI语言模型）交流的第一手体验和感受。

本文介绍了SeDT，一种无需训练、推理时的方法，通过用来自三种信号的累积相关性分数标注对话历史，提高多轮对话中LLM的可靠性，在Lost-in-Conversation基准测试上实现了高达+37.7%的性能提升。

本文介绍了 Found in Conversation (FiC)，一个使用视图非对称自蒸馏（View-Asymmetric Self-Distillation）的训练框架，旨在缩小 LLMs 中的多轮对话性能差距。该方法教会模型从欠详细的多轮提示中恢复单轮能力，在多种模型系列和规模上实现了 92-100% 的恢复率。

本文介绍了用于手语对话情感识别的eJSL Dialog数据集，填补了现有数据集缺乏对话上下文的空白。基准测试表明，应用通用多模态模型时存在领域差距，凸显了针对手语的上下文感知视觉提取器的必要性。