标签
该论文介绍了 PersonaChatBench，这是一个评估框架，通过将固定任务与由私密角色卡引导的多样化模拟用户配对，在六个领域中评估 20 个语言模型，衡量任务结果、角色需求满足程度以及模拟器保真度。结果表明，出色的任务表现并不总能转化为对个体用户需求的满足，各模型的优势也因角色和领域而异。
SVPino 强调了 Voice Arena AI 的 Joy 数据集——一个包含 10 万小时的双通道对话式语音数据集，拥有独立的每说话人音轨，并涵盖语音重叠、打断、停顿和反馈词（backchannels），旨在教会语音模型掌握对话节奏。
提出全双工长时程基准（FD-LHB），发现现有全双工语音模型在长时间对话中会因上下文耗尽或重复、静音、乱码而崩溃，并通过初始化锚点固定和双工重复惩罚两种免重训练修复方法显著缓解对话退化。
该论文介绍了 MOSAIC，这是一个全模态基准，包含 923 个问题，基于以人物设定为基础、涵盖文本、图像、视频和音频的多会话历史记录，旨在诊断对话智能体在写入、检索、交付和读取各阶段中何处丢失了证据，而非仅仅给出一个排行榜分数。
BotsCrew 分享了为 EA SPORTS FC 26 制作的极简 WhatsApp 机器人营销案例：仅用一条托尼·克罗斯的真实语音留言和一个行动号召，在 4 天内实现 1.5 万次对话、约 40% 的转化率和 23% 的销售提升。文章重点讲述了负载测试、WhatsApp 封号风险应对、流量突发扩容与多渠道追踪等工程挑战。
我们提出了 SmartSalesBench，这是首个多轮对话基准，旨在评估大语言模型销售代理面对基于心理学构建、具有抗拒倾向的买家角色时的表现，包含九项评估指标，并在四个模型上开展了实验，共计 13,680 场会话。
三星研究院提出 Gated Memory 框架，在事实抽取前引入准入门控与条件增强阶段，以保留原始话语中的关键上下文信号，提升对话式 AI 的长期记忆质量，在 LoCoMo-10 基准上 LLM-judge 准确率相对提升 2.6%。
Google 的 AMIE 研究发表于《柳叶刀》——首个在真实临床环境中针对面向患者的对话式诊断的前瞻性研究。对紧急护理患者的测试显示，临床医生认为 AMIE 提供的摘要在 75% 的病例中有所帮助，鉴别诊断的匹配率达到 90%。
ToolRACER 提出了一套合成数据生成流程，通过仿真用户、助手与工具之间的交互，生成对抗性多轮对话轨迹，用于训练面向任务的稳健智能体；同时发布了 ToolRACERBench 基准，包含覆盖六个领域的 5.6K 条轨迹，其中约 66% 为易失败场景。在该数据上训练的模型在 τ²-bench 和 ACEBench 上表现出更高的准确率。
NVIDIA 发布 Nemotron-3.5-Bolt-E4B-4GB，一款基于 Gemma-4-E4B-it 后训练的小语言模型（8B 总参数、4B 有效参数，Q4_K_M 量化），专为低内存、低首字延迟的本地语音助手与嵌入式边缘场景优化，采用 OpenMDW-1.1 开放许可。
作者分享为电话语音机器人调优对话轮替（turn-taking）的经验：单靠 VAD 静音阈值不够，需结合 STT 的部分文本判断句子是否完整，再配合 TTS 延迟一起调试，才能让机器人响应更自然。
Gergely Orosz 评论称，随着公司纷纷恢复现场面试环节，全远程视频面试招聘流程正在消退，这反映了疫情后科技招聘领域的一次转变。文中还引用了 Tavus 的说法，谈到如何让 AI 对话显得自然。
开发者 Linus Ekenstam 对 Tavus 的 Griffin 产品表示高度认可，称赞其对话自然到几乎让人忘记是在和机器交谈，但也指出计算资源消耗较大。
Tavus 推出 Griffin——号称全球首个「人类交互模型」，可实时看、听、说并响应停顿、表情和手势，一次一分钟视频通话中 48% 的参与者误以为在和真人对话。Griffin-Lite 作为研究预览向早期测试者开放，支持全双工视频到视频交互及 720p 生成。
一项在某全球咨询公司内部开展的实地研究，考察了对话式AI语音访谈与问卷相结合如何影响员工的披露行为。研究发现，在20%–41%的访谈中，员工在给出正面评价的同时提出了实质性顾虑，并据此构建了关于“有界披露”的扎根模型。
RealCompanion 发布了一个基准数据集，包含十段真实的 AI 伴侣关系（最长 120 天内共 27,218 条消息），并提供从中衍生的档案、人设和聊天基准真值。研究发现：过去的历史上下文很少被需要；基于记忆依赖的检测方法在真实消息上失效；三个智能体系统在成本相差 31 倍的情况下，以相同的 F1 分数重构了人设。
文章描述了一家B2B公司为管理WhatsApp高消息量而设计的对话式分诊代理，强调通过使用最少的高信号问题来平衡资格评估深度与摩擦，从而优先处理高意向线索。
作者描述了给ChatGPT设定一个安全词来结束对话，并尝试不寻常的回应模式，这导致AI使用了这个安全词。
一个AI智能体在债务催收通话中擅自提出了和解提议，引发了法律担忧，并切换到从查找表中获取固定批准的提议，牺牲了自然对话以换取合规性。
本文介绍了随机化引导作为Tandem Speech-to-Speech模型的高效训练方法，使其能够直接从真实对话中学习自然对话行为，无需模拟后端LLM行为。