带模块化记忆的固定人格 SLM：消费级硬件上的可扩展 NPC 对话
机器人学
2025-11-14 v1 人工智能
摘要
大型语言模型（LLM）在生成逼真文本方面展现出惊人的能力，但其在计算机游戏中的对话系统应用仍受限。这一限制源于其巨大的硬件需求、延迟约束，以及在游戏情境中维持明确知识边界的必要性。本文提出一种模块化 NPC 对话系统，利用小型语言模型（SLM），这些模型经过微调以编码特定 NPC 人格，并集成运行时可交换的记忆模块。这些记忆模块保存角色特定的对话上下文和世界知识，使系统能够在游戏过程中实现表达性交互和长期记忆，而无需重新训练或重新加载模型。我们使用三种开源 SLM：DistilGPT-2、TinyLlama-1.1B-Chat 和 Mistral-7B-Instruct，对系统进行全面评估，这些模型在消费级硬件上训练并基准测试。虽然本方法的动机来自游戏应用，但其模块化设计和人格驱动的记忆架构在需要表达性、可扩展且记忆丰富的对话代理的更广泛领域具有显著潜力，例如虚拟助手、客户支持机器人或交互式教育系统。
引用
@article{arxiv.2511.10276,
title = {RoboBenchMart: Benchmarking Robots in Retail Environment},
author = {Konstantin Soshin and Alexander Krapukhin and Andrei Spiridonov and Denis Shepelev and Gregorii Bukhtuev and Andrey Kuznetsov and Vlad Shakhuro},
journal= {arXiv preprint arXiv:2511.10276},
year = {2025}
}