Questa ricerca sull’IA dalla Cina introduce Character-LLM che insegna agli LLM ad agire come persone specifiche come Beethoven, la regina Cleopatra, Giulio Cesare, ecc.

La ricerca cinese sull'IA introduce Character-LLM, un programma che insegna agli LLM ad agire come personaggi storici come Beethoven, la regina Cleopatra, Giulio Cesare, e altri.

Character-LLM è un agente addestrabile progettato per simulare individui specifici modificando i profili e addestrando modelli come copie personali, replicando le loro esperienze uniche. Una valutazione in un campo di prova coinvolge l’intervista di questi agenti addestrati per valutarne la capacità di memorizzare personaggi ed esperienze. L’approccio esplora la creazione di simulacri digitali personalizzati, indicando un significativo progresso nella simulazione dei personaggi basata sull’IA e nella comprensione delle esperienze umane.

Un team di ricercatori cinesi ha introdotto il concetto di addestrare agenti come simulacri di personaggi utilizzando Character-LLM. Descrive un framework di addestramento che coinvolge Ricostruzione dell’Esperienza, Caricamento e Esperienze Protettive per addestrare questi simulacri utilizzando LLM. Il loro approccio si concentra sulla modifica dei profili e l’addestramento dei modelli per simulare specifici personaggi storici come Beethoven, la regina Cleopatra e Giulio Cesare. L’efficacia viene valutata in un campo di prova in cui gli agenti addestrati vengono intervistati per valutare la loro capacità di ricordare personaggi ed esperienze. I risultati sperimentali offrono spunti per futuri sviluppi nella simulazione delle personalità umane.

LLM come ChatGPT e GPT-4 vengono esplorati per simulare i comportamenti umani nelle routine quotidiane e nelle esperienze più profonde. Per superare i limiti delle semplici sollecitazioni LLM, i ricercatori introducono Character-LLM. Si tratta di un agente addestrabile per il gioco di ruolo che apprende dalle esperienze e dalle emozioni reali. Vengono collezionate esperienze specifiche di personaggi storici come Beethoven, la regina Cleopatra e Giulio Cesare per addestrare gli LLM dei personaggi. Il loro approccio ha potenziali applicazioni nelle scienze sociali, nello sviluppo di NPC e nella riduzione del lavoro. La valutazione viene effettuata attraverso un campo di prova per valutare la capacità degli agenti di ricordare personaggi ed esperienze.

Character-LLM utilizza un framework di addestramento che coinvolge Ricostruzione dell’Esperienza, Caricamento e Esperienze Protettive, concentrandosi sulla formalizzazione delle esperienze dei personaggi come Beethoven, la regina Cleopatra e Giulio Cesare. Gli agenti vengono addestrati utilizzando modelli di linguaggio di grandi dimensioni per creare simulacri personali con profili modificati e stati emotivi. La valutazione viene effettuata attraverso interviste in un campo di prova per valutare la memorizzazione del personaggio. Nonostante fornisca spunti preziosi, il loro studio necessita di ulteriori dettagli tecnici riguardanti i metodi di addestramento e l’implementazione del framework.

I Character-LLM dimostrano una performance superiore in termini di personalità, memorizzazione, allucinazione e stabilità rispetto ai modelli di base. Nonostante le loro dimensioni inferiori, i Character-LLM raggiungono una performance comparabile alla baseline LLM su larga scala, ChatGPT. I loro agenti addestrabili producono risposte più vivide, ricordano esperienze passate specifiche e rigettano domande innaturali. La lunghezza della risposta influenza i risultati, favorendo un testo più breve e naturale. Tuttavia, rimane una sfida la riflessione del valore dei personaggi. I risultati sperimentali offrono spunti preziosi per lo sviluppo dei simulacri umani.

In conclusione, Character-LLM è un agente addestrabile efficace per simulare individui specifici, mostrando una performance impressionante in termini di personalità, memorizzazione, allucinazione e stabilità. I Character-LLM si confrontano favorevolmente con la potente baseline ChatGPT, nonostante una dimensione inferiore. Questi agenti offrono risposte vivide, ricordano esperienze specifiche e rigettano domande innaturali. I risultati offrono spunti preziosi per lo sviluppo dei simulacri umani. Il lavoro futuro si concentrerà sulla creazione di agenti ancora più capaci per interagire con persone reali, possedere maggior potere e favorire forti connessioni umane.