arXiv ID:
2605.26788
arXiv 提交日期: 2026-05-26
SeDT:基于句子变换器与决策变换器条件化的多轮对话可靠性增强方法 / SeDT: Sentence-Transformer Decision-Transformer Conditioning for Multi-Turn Conversation Reliability
1️⃣ 一句话总结
该论文提出一种名为SeDT的无训练推理方法,通过为多轮对话中每一轮对话标注累积相关性分数(结合语义、词汇和位置信号),并在最后一轮对话中将完整标注的历史信息作为条件输入给大语言模型,从而在不修改模型权重或丢弃上下文的前提下,显著提升了模型在多轮对话中的可靠性,最多可将性能损失恢复37.7%。