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，旨在降低人机对话数据集收集的成本和劳动强度，从而显著提升数据集生成的效率和可扩展性。

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。

通过真实人机对话提取问题，训练出用户模拟器UserGPT和合成对话数据集RealChat。实验结果显示模型在Vicuna-Bench和MT-Bench中优于基线模型，手动评估也表明具有竞争力。通过与LLaMA 2模型微调，ReaLM在MT-Bench中领先。方法展示了可扩展性和可迁移性，并初步探索了训练集数据质量与模型性能之间的相互作用。

该研究提出了一种基于最大似然的算法，用于寻找多模态大型语言模型（MLLMs）的越狱攻击。通过寻找“图像越狱提示”（imgJP），在多个未知提示和图像上实现对 MLLMs 的越狱。同时，揭示了 MLLM 越狱和 LLM 越狱之间的联系，并引入了一种基于构造的方法，将其应用于 LLM 越狱。

本文研究了使用大型语言模型作为人机交互（HRI）的模型的潜力，并在三个社交数据集上进行了实验。结果显示，大型语言模型能够实现与定制模型相当的性能。同时，文章还讨论了当前的限制。研究结果表明，大型语言模型为人机交互的人类建模提供了一种有前途但不完整的方法。