对话系统

一项研究挑战了传统多轮对话中“对话对象识别”的离散分类范式，提出将其视为连续现象，并通过实验证明连续层级模型能更准确地预测发言权转移及听众行为。

研究者提出MAPS框架，通过建模多智能体的认知差异与动态记忆，在对话中同时保持个体主观表达与语义对齐，为可解释、人性化的AI对话系统提供新思路。

研究者提出GenAI评估框架，通过配置化管道对零售对话系统进行大规模多维度评估，每日处理约5万条记录，支持选择性重评与完整审计追踪。

研究者提出将任务导向对话建模为约束满足问题，通过自动检测和修正大模型生成内容中的不一致性，有效应对AI幻觉导致的严重任务失败风险。

研究者提出DiPS框架，通过强化学习动态选择劝说策略，在火灾疏散等高风险场景中显著提升AI的劝说成功率。

研究者提出 TurnNat，一种基于似然度的自动评估框架，用于衡量双通道口语对话中的轮转自然度，无需依赖人工标注即可识别多种时序异常。

研究者提出基于匹配参考样本的韵律评估框架，通过对比AI语音输出与人类对话数据，量化评估语音语调、语速、停顿等韵律特征，为语音对话系统提供可解释的评估指标。

研究人员发布首个法语OSCE临床考试对话数据集，并开发基于大语言模型的可控虚拟病人系统，为医学生提供可交互的临床沟通训练平台。

研究发现大型语言模型智能体在多轮对话中难以更新已变更的事实，导致依赖过时信息。研究者创建训练环境Supersede，通过强化学习成功提升模型的事实更新能力。

谷歌DeepMind发布ConvApparel框架，旨在量化并弥合用户模拟器与现实交互之间的真实感差距，为对话系统训练提供更可靠的评估基准。