Resumen: Los modelos de lenguaje grande (LLM) han demostrado ser prometedor en la imitación de personajes, habilitando conversaciones inmersivas y atractivas. Sin embargo, a menudo generan contenido irrelevante o inconsistente con los antecedentes de un personaje. Atribuimos estas fallas a: (1) la incapacidad de recordar con precisión el conocimiento específico del carácter debido a la ambigüedad de la entidad, y (2) una falta de conciencia de los límites cognitivos del personaje. Para abordar estos problemas, proponemos Rolerag, un marco basado en la recuperación que integra la desambiguación de la entidad eficiente para la indexación de conocimientos con un retriever consciente de los límites para extraer información contextualmente apropiada de un gráfico de conocimiento estructurado. Los experimentos en los puntos de referencia de juego de roles muestran que la recuperación calibrada de Rolerag ayuda a los LLM de uso general y específico de roles a alinearse mejor con el conocimiento del personaje y reducir las respuestas alucinadas.
Publicado Originalme en rss.arxiv.org El 26 de mayo de 2025.
Ver Fuente Original
