基于 Deflanderization 的游戏对话：在 LLM 驱动的 NPC 中平衡角色真实性与任务执行
计算与语言
2025-10-28 v3 人工智能
摘要
大语言模型（LLMs）的出现为在游戏环境中创建动态非玩家角色（NPC）开辟了新的机遇，使其能够实现功能性任务执行和基于人物化的对话生成。在本文中，我们（Tu_Character_lab）报告了我们在-commonsense Persona-Grounded Dialogue Challenge（CPDC）2025 第 2 轮中的参赛情况，该挑战评估了在三个轨道：任务导向对话、情境感知对话以及它们的集成方面的代理。我们的 метод结合了两种互补策略：(i) API 轨道中的轻量级提示技术，包括用于抑制过度角色扮演并提高任务忠诚度的 Deflanderization 提示方法；(ii) GPU 轨道中的微调大型模型，利用 Qwen3-14B 进行监督微调（SFT）和低秩适应（LoRA）。我们的最佳提交在任务 1 中排名第 2，在任务 3（API 轨道）中排名第 2，在任务 3（GPU 轨道）中排名第 4。
引用
@article{arxiv.2510.13586,
title = {Deflanderization for Game Dialogue: Balancing Character Authenticity with Task Execution in LLM-based NPCs},
author = {Pasin Buakhaw and Kun Kerdthaisong and Phuree Phenhiran and Pitikorn Khlaisamniang and Supasate Vorathammathorn and Piyalitt Ittichaiwong and Nutchanon Yongsatianchot},
journal= {arXiv preprint arXiv:2510.13586},
year = {2025}
}