知识密集环境中的聊天机器人：意图和基于 LLM 的系统的比较

大型语言模型在对话代理中如何帮助解决技术和社交问题？

通过引入认知启发式方法，利用计算语义和情节记忆、情绪、工作记忆和学习能力来解决对话代理人的技术和社交问题。

在法律咨询中，使用大型语言模型和聊天机器人有什么好处和挑战？

好处是简化法律领域的信息获取流程，降低法律援助组织的工作量和成本，提高服务可用性，使其更容易被更广泛的人群所利用。挑战是当前语言模型倾向于过于自信地根据训练数据的输出分布提供客户问题的‘最佳猜测’，往往忽视客户的真实意图或具体法律情况，客户可能没有意识到提供重要额外背景信息或表达潜在意图的重要性。

如何让聊天机器人自动引出客户的潜在意图和法律情境？

通过自由形式的语言交互使用大型语言模型来引出和推断客户的潜在意图和具体法律情况，并提出了未来的研究方向，即使用有监督的精细调整或离线强化学习来在聊天机器人中自动融入意图和语境引出，而无需明确提示。

生成式AI在企业通信界面中的应用有哪些能力和局限性？

文章分析了引入生成式AI的大型语言模型（如ChatGPT、GPT3.5、GPT4、Bard、LLaMA等）在通信界面（特别是企业无线产品和服务）中应用的能力和局限性，并针对Craddlepoint公开数据进行多个用例的比较分析，包括领域自适应、内容连贯性、输入扰动和错误的鲁棒性。

大型语言模型如何用于自动学习语义词典中的新条目？

该论文介绍了一种利用大型语言模型技术支持智能代理语义词典中新条目的自动学习的系统。这种学习方法通过现有的非玩具词典和自然语言生成器引导启动，将意义的表达按基本本体建立转换为自然语言句子。此学习方法已应用于学习多词表达式，其含义与智能代理语义词典中的及物动词等效。实验展示了一种融合基于知识的方法、资源、传统数据分析和大型语言模型的混合学习架构的优势。

大型语言模型在定性研究中与人类分析师相比表现如何？

本研究对语言模型（LLMs）的理解能力进行了比较和对照，发现人类分析师和LLMs的分类和推理能力存在显著差异，但二者合作可能会产生协同效应，从而丰富了定性研究。

基于LLM的虚拟助手如何自动执行手机上的多步操作？

通过使用大型语言模型（LLMs），本研究提出了一种新颖的基于LLM的虚拟助手，能够根据高级用户请求自动执行手机应用程序中的多步操作，该系统采用了一种端到端的解决方案来解析指令，推理目标并执行操作，实验证明该系统可在支付宝上以自然语言指令完成复杂的移动操作任务，展示了大型语言模型在实现自动助手完成实际任务方面的潜力。

如何利用大型语言模型模拟对话问答系统？

对话问答系统使用大规模语言模型进行模拟和交互，提出了一种基于零-shot学习的模拟框架，通过教师-学生互动模式实现指定主题下的问题和回答生成。通过评估教师和学生模型的性能并比较人类生成对话与模型生成对话的差异，揭示了使用语言模型进行CQA交互模拟的有效性和表现。

大型语言模型如何改进基于流水线的对话代理？

本研究探讨了大型语言模型（LLM）在改进基于流水线的对话代理中的能力，并通过私人银行业务的实例证明了LLMs的潜力和公司采用混合方法的好处。