角色中思考：通过角色感知推理推进角色扮演智能体
计算与语言
2025-06-03 v1
摘要
大型语言模型（LLM）的进步激发了对角色扮演智能体（RPA）在情感陪伴和虚拟交互等应用中的浓厚兴趣。然而，近期的 RPA 通常构建于显式对话数据之上，缺乏深层的、类人的内在思维过程，导致知识与风格表达流于表面。尽管大型推理模型（LRM）可用于模拟角色思考，但其直接应用受到注意力转移（即 RPA 忘记自身角色）和风格漂移（即过于正式和僵化的推理而非角色一致的推理）的阻碍。为了应对这些挑战，本文提出了一种新颖的角色感知推理（RAR）方法，包含两个重要阶段：角色身份激活（RIA）和推理风格优化（RSO）。RIA 在推理过程中利用角色档案显式引导模型以对抗注意力转移，随后 RSO 通过 LRM 蒸馏使推理风格与角色及场景对齐，以缓解风格漂移。大量实验表明，所提出的 RAR 通过有效解决注意力转移和风格漂移，显著提升了 RPA 的性能。
引用
@article{arxiv.2506.01748,
title = {Thinking in Character: Advancing Role-Playing Agents with Role-Aware Reasoning},
author = {Yihong Tang and Kehai Chen and Muyun Yang and Zhengyu Niu and Jing Li and Tiejun Zhao and Min Zhang},
journal= {arXiv preprint arXiv:2506.01748},
year = {2025}
}