arXiv cs.AI· Ziyi Liu, Tzu-Sheng Kuo, Jiale Liu, Deqing Fu, Nithum Thain, Crystal Qian·· 3 天前AI 评分27
GUIDE：让 LLM 自学习跨多任务场景的群体引导能力
Learning to GUIDE the Group: Self-Learning LLM Facilitation Across Multi-Party Tasks
AI 导读
研究团队提出 GUIDE 框架，让 LLM 从任务特定专家引导的 432 场多方人类对话中自学习通用引导策略，在留出对话上以 61.4% 胜率超越三个任务特定专家引导者。实时在线实验显示，该自学习引导者保持引导效果与群体生产力，提升发言舒适度并减少人际摩擦，同时比专家提示词少用 24.7% 轮次和 29.0% 词数。
正文 · AI 翻译
摘要：随着大语言模型越来越多地被用作多方沟通的促进者，人们日益需要能够在不同情境下平衡多样群体动态的智能体。然而，现有的 LLM 促进者往往针对特定任务目标进行微调；能够适应不同类型任务和多样群体动态的通用 LLM 促进方法仍不成熟。为填补这一空白，我们提出 GUIDE（Generalized Unified Intervention for Dynamic Exchanges），一个用于在不同多方情境下开发通用 LLM 促进者的框架。GUIDE 从客观任务结果和主观指标（包括心理安全感和感知摩擦）两方面评估促进效果。在该框架内，我们研究 LLM 能否离线自学习通用促进策略以用于实时干预。我们首先收集了由任务特定专家 LLM 促进者引导的多方人类互动（N=432 次对话）。然后我们采用一种自学习方法，其中 LLM 从对话中归纳出可操作的策略手册，并使用与人类标注者对齐的 LLM 评判者反馈进行迭代改进（N=20），从而开发出一个单一通用促进者，其在留出对话上以 61.4% 的胜率优于三个任务特定专家促进者。最后，我们通过实证评估这些改进；在一项实时在线实证研究中，自学习通用促进者保持了促进者表现和群体生产力，提高了发言舒适度并减少了人际摩擦，同时相比专家提示词少用 24.7% 的轮次和 29.0% 的词语。这些发现提供了实证证据，表明 LLM 可以从任务特定的人类互动中学习可泛化、任务无关的社交促进能力，在多样群体环境中与手工设计的任务特定提示词不相上下。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.16231 [cs.AI] |
| （或 arXiv:2610.16231v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.16231 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Ziyi Liu [查看邮箱]
[v1]
2026年10月12日星期一 06:08:33 UTC（484 KB）
来源：arXiv cs.AI · arxiv.org