Resumen:La comprensión de la intención de múltiples turnos es fundamental para los chatbots orientados a tareas, sin embargo, las implementaciones reales enfrentan presupuestos de tokens ajustados y contextos ruidosos, y la mayoría de los canales de recuperación enfatizan la relevancia mientras pasan por alto la diversidad de niveles establecidos y confusiones como más contexto u orden ejemplar. Nos preguntamos si la diversidad de recuperación, en lugar de indicaciones más largas, mejora sistemáticamente la comprensión de la intención del LLM con presupuestos fijos. Presentamos un marco de recuperación consciente de la diversidad que selecciona ejemplos en contexto para equilibrar la cobertura de intención y la variedad lingüística, e integra esta selección con decodificadores LLM estándar; la evaluación aplica indicaciones coincidentes con el presupuesto y posiciones aleatorias, e incluye análisis de sensibilidad sobre el recuento de ejemplares, la fuerza de la diversidad y el tamaño de la columna vertebral. En MultiWOZ 2.4 y SGD, el enfoque logra fuertes ganancias en precisión de objetivos conjuntos con presupuestos simbólicos iguales, superando sólidas bases de LLM/DST, con mejoras consistentes en K de 4 a 7 y latencia moderada. En general, el estudio aísla y valida el impacto de la diversidad de contenido en la recuperación y ofrece un principio de selección simple e implementable para construir sistemas de intención de múltiples turnos precisos y con presupuesto limitado.
Publicado originalmente en export.arxiv.org el 21 de octubre de 2025.
Ver fuente original
