本文首次研究了通用轮流交谈模型在机器人与人类对话互动中的应用，旨在弥补现有系统在自然对话中的不足。通过无领域特定微调的自监督学习，提出了一种新方法，结合TurnGPT和语音活动投影来优化对话动态。实验结果表明，参与者更倾向于使用该系统，同时显著减少了反应延迟和打断现象。

本研究提出了SCOUT（情境化理解交易语料库），这是一个针对协作探索任务的人机对话多模态语料库。SCOUT结合了对话、视觉和地图数据，为自主人机系统开发提供基础，促进人类与机器人在导航任务中的有效沟通，优化人机交互方式。

本文探讨了人机对话中的语义表示，提出了对话-AMR注释和多层对话结构注释模式，以揭示发言者间的语义关联，最终实现物理机器人与人类的双向对话与导航。

本研究提出了一种基于大型语言模型的用户代理，旨在降低收集多样化人机对话数据集的成本和劳动强度。该代理能够在虚拟环境中模拟用户行为，从而提高数据集生成的效率和可扩展性，增强机器人完成任务的能力。

在自然语言处理中，解码是将机器输出转为可读文本的重要步骤。常用方法有贪婪解码、束搜索、Top-k和Top-p采样。不同方法影响对话AI的自然性，开发者常结合使用以平衡流畅性和创造性。选择解码策略需根据应用场景调整，确保对话准确且多样。

本研究提出了RiSAWOZ中文人机对话数据集，以支持对话系统的基准比较。EVA和EVA2.0模型在多轮交互中表现优异。此外，研究探讨了多语言对话评估，推出了DiQAD数据集和DIALIGHT工具包，以促进多语言任务导向对话系统的评估。最后，提出了评估英语作为第二语言的框架，揭示了微级别特征与交互质量的关系。

本文介绍了一种新的对话响应生成方法，强调插入式方法的优势，避免了对话数据集的注释和大规模模型的精调。研究了会话语言模型中的偏见问题，提出了多维偏见评测数据集RedditBias，并测试了去偏见技术的效果。此外，探讨了自然语言提示设计对聊天机器人对话流的影响，发布了OpenAssistant数据库，展示了UserGPT的高质量合成对话数据集。最后，分析了用户与大型语言模型的互动，呼吁设计机制以监管用户的个人信息披露。

本研究提出了一个框架和视觉分析系统，以简化大型语言模型（LLMs）安全性评估的破解分析过程。研究发现，LLMs存在被滥用和绕过安全限制的风险，尤其是通过越狱提示。评估不同破解方法后，揭示了当前防御措施的不足，并提出了改进建议。

本文探讨了大型语言模型（LLMs）在推理和分类任务中的表现，指出不同提示策略对模型准确性有显著影响。研究显示，LLMs在教育和人机交互领域具有潜力，但在解决现实问题时存在局限。通过强化学习和视觉语言模型微调，提升了对话系统的性能。此外，生成式LLMs在机器翻译中表现优异，能够优化翻译的细微差别。