PsyMem：面向高级角色扮演 LLM 的细粒度心理对齐与显式记忆控制
计算与语言
2025-10-21 v2 人工智能
摘要
现有的 LLM 基于角色扮演方法通常依赖浅显的文本描述或简单度量，无法充分建模角色的内在与外在维度。此外，这些方法通常通过隐式模型知识或基本检索增强生成来模拟角色记忆，而缺乏显式记忆对齐，导致记忆一致性受损。这两个问题削弱了角色扮演 LLM 在多个应用中的可靠性，例如可信社交模拟。为解决这些限制，我们提出了 PsyMem 框架，集成细粒度心理属性和显式记忆控制，用于角色扮演。PsyMem 通过 26 个心理指标补充文本描述，以细化模型角色。此外，PsyMem 实现记忆对齐训练，显式训练模型使角色响应与记忆对齐，从而在推理期间实现动态记忆控制响应。通过在包含 5,414 个角色和 38,962 段对话的专用数据集上训练 Qwen2.5-7B-Instruct，我们得到的模型（称为 PsyMem-Qwen）在角色扮演方面优于基线模型，在人类似性和角色忠实度方面取得最佳性能。
引用
@article{arxiv.2505.12814,
title = {PsyMem: Fine-grained psychological alignment and Explicit Memory Control for Advanced Role-Playing LLMs},
author = {Xilong Cheng and Yunxiao Qin and Yuting Tan and Zhengnan Li and Ye Wang and Hongjiang Xiao and Yuan Zhang},
journal= {arXiv preprint arXiv:2505.12814},
year = {2025}
}
备注
Pre-MIT Press publication version, has been accepted by TACL