Crafting Customisable Characters with LLMs: Introducing SimsChat, a Persona-Driven Role-Playing Agent Framework

要約

大規模言語モデル (LLM) は、命令を理解して人間のようなテキストを生成する優れた能力を示し、基本的な動作の複製を超えた高度なエージェント シミュレーションを可能にします。
ただし、自由にカスタマイズ可能なキャラクターを作成できる可能性はまだ十分に解明されていません。
カスタマイズ可能な会話エージェント フレームワークを導入します。LLM を採用し、パーソナライズされた特性フィーチャ インジェクションを通じて現実世界のキャラクターをシミュレートし、ユーザーの好みに応じた多様なキャラクター作成を可能にします。
私たちは、1,360 の現実世界のシーンにわたる 68 のカスタマイズされたキャラクターと 13,971 のマルチターン ロールプレイング ダイアログで構成される SimsConv データセットを提案します。
キャラクターは、最初は事前定義された要素 (キャリア、願望、特性、スキル) を使用してカスタマイズされ、その後、個人的および社会的プロフィールを通じて拡張されます。
これに基づいて、さまざまな現実的な設定とトピック指定のキャラクター インタラクションを組み込んだ、自由にカスタマイズ可能なロールプレイング エージェントである SimsChat を紹介します。
SimsConv データセットと WikiRoleEval データセットの両方での実験結果は、既存のモデルと比較して、文字の一貫性、知識の正確さ、および適切な質問の拒否を維持する点で SimsChat の優れたパフォーマンスを示しています。
私たちのフレームワークは、より正確でカスタマイズ可能な人間のシミュレーションを開発するための貴重な洞察を提供します。
私たちのデータとコードは https://github.com/Bernard-Yang/SimsChat で公開されています。

要約(オリジナル)

Large Language Models (LLMs) demonstrate remarkable ability to comprehend instructions and generate human-like text, enabling sophisticated agent simulation beyond basic behavior replication. However, the potential for creating freely customisable characters remains underexplored. We introduce the Customisable Conversation Agent Framework, which employs LLMs to simulate real-world characters through personalised characteristic feature injection, enabling diverse character creation according to user preferences. We propose the SimsConv dataset, comprising 68 customised characters and 13,971 multi-turn role-playing dialogues across 1,360 real-world scenes. Characters are initially customised using pre-defined elements (career, aspiration, traits, skills), then expanded through personal and social profiles. Building on this, we present SimsChat, a freely customisable role-playing agent incorporating various realistic settings and topic-specified character interactions. Experimental results on both SimsConv and WikiRoleEval datasets demonstrate SimsChat’s superior performance in maintaining character consistency, knowledge accuracy, and appropriate question rejection compared to existing models. Our framework provides valuable insights for developing more accurate and customisable human simulacra. Our data and code are publicly available at https://github.com/Bernard-Yang/SimsChat.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google