Leveraging Large Language Models for Active Merchant Non-player Characters

要約

現在のマーチャント非プレイヤーキャラクター（NPC）の受動性につながる2つの重要な問題を強調します：価格設定とコミュニケーション。
アクティブなNPCとの没入型の相互作用は焦点でしたが、マーチャントNPCとプレーヤーの間の価格交渉は未熟なままです。
第一に、受動的な価格設定とは、事前定義されたアイテム価格を変更する商人の限られた能力を指します。
第二に、パッシブコミュニケーションとは、商人がスクリプト化された方法でプレイヤーとのみ対話できることを意味します。
これらの問題に取り組み、アクティブマーチャントNPCを作成するために、鑑定モジュールとネゴシエーターモジュールで構成されるMARTと呼ばれる大規模な言語モデル（LLMS）に基づいたマーチャントフレームワークを提案します。
さまざまなトレーニング方法とLLMサイズの下でさまざまな実装オプションを探索するために、可能なゲーム環境の範囲を考慮して、2つの実験を実施しました。
我々の調査結果は、監視された微調整（SFT）や知識蒸留（KD）などの微調整方法が、より小さなLLMを使用してアクティブなマーチャントNPCを実装するのに効果的であることを示しています。
さらに、LLMSの応答から生じる3つの不規則な症例が見つかりました。

要約(オリジナル)

We highlight two significant issues leading to the passivity of current merchant non-player characters (NPCs): pricing and communication. While immersive interactions with active NPCs have been a focus, price negotiations between merchant NPCs and players remain underexplored. First, passive pricing refers to the limited ability of merchants to modify predefined item prices. Second, passive communication means that merchants can only interact with players in a scripted manner. To tackle these issues and create an active merchant NPC, we propose a merchant framework based on large language models (LLMs), called MART, which consists of an appraiser module and a negotiator module. We conducted two experiments to explore various implementation options under different training methods and LLM sizes, considering a range of possible game environments. Our findings indicate that finetuning methods, such as supervised finetuning (SFT) and knowledge distillation (KD), are effective in using smaller LLMs to implement active merchant NPCs. Additionally, we found three irregular cases arising from the responses of LLMs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google