图夫茨大学一项最新研究指出大型语言模型 (LLM) 在判断对话插话时机方面存在显著缺陷，这项发表于arXiv预印本服务器并将在EMNLP 2024会议上详细介绍的研究，揭示了AI在自然流畅对话方面的局限性。
研究发现，人类判断“话轮转换点”（TRP）——即合适的插话时机——依赖多种线索，包括语言内容、语调、停顿等副语言信息。 然而，LLM在识别TRP方面表现不佳，这与传统的认为副语言信息至关重要这一观点有所出入。
图夫茨大学JP de Ruiter教授及其团队的研究表明，实际情况是：语言内容本身对判断话轮转换点起着更为关键的作用。 虽然研究人员尝试通过微调和补充对话内容训练来改进LLM的性能，但效果有限。这提示我们，单纯基于统计关联的AI模型可能难以真正理解对话的深层语义和参与者意图。
该研究强调了目前LLM在对话理解方面的一个瓶颈：缺乏对语境和意图的真正理解。 研究团队建议，未来需要对LLM进行更大规模的、高质量自然口语语料库预训练，以提升其对话能力。然而，收集和标注如此海量的真实对话数据依然面临巨大的挑战，这无疑是AI对话技术进一步发展的关键障碍之一。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，可联系本站进行审核删除。
