论文arxiv cs.CL · 2d ago重要
DuplexGen: Adaptive Synthesis of Human-AI Turn-Taking Dialogues
分类释义：学术论文 / 技术报告
TL;DR
DuplexGen 通过小规模人类偏好标注校准 LLM，生成场景自适应的人机轮次转换对话，在合作和竞争任务中比通用数据训练或纯 prompt 方法更符合人类偏好。
关键要点
- 01DuplexGen 通过小规模人类偏好标注校准 LLM。
- 02生成场景自适应的人机轮次转换对话。
- 03在合作和竞争任务中比通用数据训练或纯 prompt 方法更符合人类偏好。
为什么值得关注
做对话式 Agent 的工程师常纠结于「数据量」或「prompt 技巧」，这篇论文用实验证明人类校准才是场景适配的关键——可用 1-2 个场景的少量偏好标注替代大规模数据清洗，具体做法是让 LLM 生成候选轮次后人工打 slot-level 偏好分，再做对齐训练。
对你的工程实践意味着什么
LLM 实时生成MiniMax-M2.7
| 角色 | 你应该做什么 |
|---|---|
| Tech Lead | 评估对话Agent项目是否从prompt-tuning转向人类校准微调，优先在1-2个核心场景试点 |
| 应用工程师 | 尝试为对话轮次生成任务建立slot-level偏好标注流程，用10-20条样本做对齐训练验证效果 |
| 运维 / 平台 | 暂无直接影响，了解即可 |
| 产品 / 业务 | 评估能否用小规模人工标注替代大规模数据清洗，以此降低数据成本并提升对话体验 |
同类资讯
本页 TL;DR 与「为什么」由 LLM 生成 · 模型：MiniMax-M2.7 / Claude Haiku 4.5