Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Deflanderization for Game Dialogue: Balancing Character Authenticity with Task Execution in LLM-based NPCs

Created by
  • Haebom

作者

Pasin Buakhaw, Kun Kerdthaisong, Phuree Phenhiran, Pitikorn Khlaisamniang, Supasate Vorathammathorn, Piyalitt Ittichaiwong, Nutchanon Yongsatianchot

概要

本稿では、ゲーム環境で動的NPCを生成するための大規模言語モデル(LLM)の活用に関する研究を報告します。具体的には、Commonsense Persona-Grounded Dialogue Challenge (CPDC) 2025 Round 2に参加した結果について説明します。 Tu_Character_labは、APIトラックの軽量プロンプト技術(過剰なロールプレイを抑制し、作業忠実度を高めるDeflanderizationプロンプトを含む)を使用し、GPUトラックでは、Qwen3-14BモデルをSFTおよびLoRA技術で微調整してアプローチしました.その結果、Task 1で2位、Task 3(APIトラック)で2位、Task 3(GPUトラック)で4位を記録しました。

Takeaways、Limitations

Takeaways:
軽量プロンプト技術とモデル微調整を組み合わせたハイブリッドアプローチにより、CPDCで良い成果を上げました。
Deflanderizationプロンプトは、過剰な役割演劇の問題を解決し、タスクの実行能力を向上させるのに貢献しました。
様々なトラックで上位圏を占め、LLMベースのNPC開発の可能性を実証しました。
Limitations:
具体的なモデルアーキテクチャ、トレーニングデータ、ハイパーパラメータなどの詳細情報が不足しています。
提案された方法論の一般化の可能性と他のゲーム環境への適用性に関するさらなる研究が必要です。
GPUトラックとAPIトラックのパフォーマンスの違いの分析がさらに必要です。
👍