Key points are not available for this paper at this time.
बड़े भाषा मॉडल (LLMs) कुशलता से लंबी वार्तालाप इतिहासों को संसाधित करने में सक्षम हैं जब वे उपयोगकर्ताओं के साथ लंबी बातचीत करते हैं, बिना अतिरिक्त मेमोरी मॉड्यूल के; हालाँकि, उनकी प्रतिक्रियाएँ अक्सर अतीत की जानकारी को नजरअंदाज कर देती हैं या गलत तरीके से याद करती हैं। इस पत्र में, हम LLMs के युग में मेमोरी-प्रवर्धित प्रतिक्रिया उत्पादन की पुनरावृत्ति करते हैं। जबकि पूर्ववर्ती कार्य पुरानी यादों से छुटकारा पाने पर केंद्रित है, हम तर्क करते हैं कि ऐसी यादें संवाद प्रणाली को अतीत की घटनाओं के विकास को समझने में मदद करने वाले संदर्भ संकेत प्रदान कर सकती हैं और, इस प्रकार, प्रतिक्रिया उत्पादन में लाभ पहुँचा सकती हैं। हम Theanine प्रस्तुत करते हैं, एक ढांचा जो LLMs के प्रतिक्रिया उत्पादन को मेमोरी टाइमलाइनों के साथ बढ़ाता है - यादों की श्रृंखला जो प्रासंगिक अतीत की घटनाओं के विकास और कारणता को प्रदर्शित करती है। Theanine के साथ, हम TeaFarm पेश करते हैं, एक काउंटरफैक्चुअल-प्रेरित प्रश्न-उत्तर पाइपलाइन जो दीर्घकालिक वार्तालापों में G-Eval की सीमाओं को संबोधित करती है। हमारे तरीकों के लिए सहायक वीडियो और TeaFarm मूल्यांकन के लिए TeaBag डेटासेट यहाँ उपलब्ध हैं: https://theanine-693b0.web.app/.
किम अदि. (सन,) ने इस प्रश्न का अध्ययन किया।