4B小模型靠合成数据反超Claude Opus 4.8，用户侧冲突检测有新招！
Towards Proactive Detection of User-Side Implicit Conflicts in Human-LLM Dialogue
📖 AI 总结
这篇论文关注人机对话中一个此前被忽视的问题：用户后续发言可能与此前意图存在隐性冲突，导致大模型误解需求并给出不当回应。作者指出，已有研究多聚焦模型侧冲突，用户侧冲突尚缺乏系统探索。为此，他们构建了人工标注基准UC-Bench，用于评估用户侧冲突检测能力。初步实验显示，现有大模型在该任务上表现不佳，尤其当冲突源于对话历史中的隐性不兼容时。针对轻量模型训练数据有限的问题，作者提出约束引导的合成方法SynUC，将用户侧冲突映射到约束空间，并借助SPEAKING框架实现可追溯的约束变换，据此在WildChat上构建了包含2487个样本的训练集UC-Data。实验表明，经UC-Data训练的Qwen3.5-4B在UC-Bench上优于Claude Opus 4.8等更大规模通用模型，也优于用现有方法合成数据训练的同类模型。该工作为对话系统主动识别用户意图冲突、及时请求澄清提供了新的基准与方法路径。
🔑 关键词速览
| 用户侧冲突 | 指用户后续话语与先前意图之间隐含的不一致或矛盾，需要系统主动识别。 |
| UC-Bench | 一个人工标注的基准数据集，用于评估大语言模型检测用户侧冲突的能力。 |
| SynUC | 一种约束引导的数据合成方法，通过约束空间和SPEAKING框架生成可追踪的用户侧冲突样本。 |
| SPEAKING框架 | 一种用于指导约束变换的框架，帮助在合成过程中保持冲突演变的可追踪性。 |
| UC-Data | 基于SynUC方法从WildChat构建的用户侧冲突训练集，包含2,487个样本。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅