标签
该论文提出了 T-Mem，一种面向长跨度多方对话中 LLM 智能体的、基于时序结构的记忆框架。它通过时序证据发现和时序记忆结构化，找回局部集中的证据，并以证据森林的形式重建事件演进过程，在两个基准测试中优于现有记忆框架。
本文提出 FinDialogLens，一个面向多方金融聊天室事件抽取的混合式 LLM 管道，用于还原遗漏交易；借助难度感知路由器，该方法在使用 GPT-4o 时，最终价格与交易结果的准确率分别达到 92.1% 和 94.3%，同时将 LLM 调用量削减了 85%。
本文提出 SpeakerMem-R1，一个以说话者为中心的双轨记忆系统，用于多方对话，解决了消息归属和关系理解的瓶颈。它在 EverMemBench 和 LoCoMo 等基准测试中取得了最先进的结果。
ProMediConv是一个用于法律争议调解的主动对话代理的基准测试框架，它使用真实案例来建模多阶段对话，并提出新的评估指标。旨在通过解决当前研究中的空白，推进AI辅助的冲突解决。
本文提出了一种多任务学习方法，通过利用轮次交替动态来增强多方对话中的意图识别，其性能优于忽略交互模式的现有方法。
本文重新审视多方对话中的受话者识别，提出用连续指向级别替代离散标签，并表明指向不仅与话轮转换相关，还涉及目光注视和反馈信号，暗示了层级结构。
LoSoNA 是一个用于评估大语言模型在群聊对话中推断并适应局部社会规范能力的基准。它测试模型从先例中识别隐含规范并做出适当回应的能力。
本文介绍了DraDDP，这是首个公开的英文多模态多方对话话语解析数据集，基于美国电视剧构建，包含495个片段、6,374个话语和9.1小时的视频。基准测试表明，多模态信息有助于改善对话结构和关系类型的解析。
When2Speak是一个合成数据集及流程，用于训练LLM在多方对话中决定何时发言。在该数据集上微调显著改善了话轮转换，强化学习将漏干预率从50%降至约20%。