本研究探讨大型语言模型（LLMs）在对话中的语言适应行为，发现其语法选择会随着对话进展而趋同，表明LLMs能够适应对话伙伴的语言使用，从而提升对话能力。

本研究提出MMRC基准，评估多模态大语言模型在真实对话中的记忆和推理等六项核心能力。通过有效的记笔记策略，显著提升了模型的对话能力和性能。

商汤最新发布的“新5o”大模型在实时音视频交互中表现优异，能够快速识别真实与高仿真物品，具备超长记忆和自然对话能力。其多模态技术在复杂任务中表现突出，已在多个评测中取得领先成绩。

上海AI Lab研究团队提出的Condor数据合成引擎，通过合成2万条数据显著提升了Qwen模型的对话能力，并实现自我迭代。研究表明，合成数据量的增加持续提升模型性能，尤其在主观对话能力上表现突出。该方法结合世界知识树和自我反思机制，推动高质量SFT数据生成，具有重要研究价值。

本研究探讨了大型语言模型在信息访谈中的不足，构建了一个包含4万条访谈的数据集，并开发了模拟环境以提升模型的对话能力。实验结果表明，模型在信息共享方面表现良好，但在识别回答和参与说服方面存在显著不足。

该论文提出了一种多模态大型语言模型（MLLM），结合文本和图像编码器，提升了图像检索、生成和对话能力。研究显示该模型在多个基准测试中表现优越，尤其在多对象处理和图像编辑方面。引入的Mixture-Of-Memory增强机制提高了模型的零样本泛化能力，强调了多模态预训练的重要性。

通过训练知识矿工自动提取问题和答案对，并与对话数据集结合进行微调，提高了大型语言模型的专业知识和对话能力。该模型在新的评估基准上有显著性能改进，并且只需要最少的种子实例，为模型合成的训练数据提供了自我改善的可能性。

非监督学习在预训练模型中起重要作用。最新的大型语言模型在对话能力方面表现出色，但在捕捉句法和语义结构方面有所滞后。研究发现，标点恢复可以提高与结构相关的任务性能，改善结构理解和产生更健壮的自然语言表示。

该研究旨在构建一个系统，利用大型语言模型的对话和规划能力，降低人类对话者的负担并高效地规划行程。该系统在2023年对话机器人比赛预赛中取得了一定成功，并报告了比赛中的挑战。

百度举办AGI Foundathon大赛-文心一言插件赛道，鼓励开发者基于文心一言生成式对话能力，结合技术、数据或第三方服务能力，为用户提供“指令即服务”的颠覆式体验。比赛分初赛和复赛阶段，提供技术支持和社区交流，奖励丰厚。