Em línguas faladas, as utterances são frequentemente moldadas para serem incompletas ou vagas por eficiência. Isso pode levar a diferentes interpretações da mesma entrada, com base em diferentes suposições sobre o contexto. Para garantir interações confiáveis entre usuário e modelo em tais cenários, é crucial que os modelos lidem habilmente com a ambiguidade inerente às consultas dos usuários. No entanto, agentes conversacionais baseados até mesmo nos mais recentes modelos de linguagem de grande porte (LLMs) enfrentam desafios ao processar entradas ambíguas, principalmente devido aos seguintes dois obstáculos: (1) os LLMs não são treinados diretamente para lidar com entradas que são ambíguas demais para serem geridas adequadamente; (2) o grau de ambiguidade em uma entrada pode variar de acordo com o conhecimento intrínseco dos LLMs, o que é difícil de investigar. Para abordar essas questões, este artigo propõe um método para alinhar os LLMs a lidar explicitamente com entradas ambíguas. Especificamente, introduzimos uma tarefa proxy que orienta os LLMs a utilizar seu conhecimento intrínseco para se auto-desambiguar a partir de uma entrada dada. Quantificamos o ganho de informação do procedimento de desambiguação como uma medida da extensão em que os modelos percebem suas entradas como ambíguas. Essa medida serve como um indicativo para selecionar amostras consideradas ambíguas na perspectiva dos modelos, que são então utilizadas para o alinhamento. Resultados experimentais de vários conjuntos de dados de perguntas e respostas demonstram que os LLMs ajustados com nossa abordagem são capazes de lidar com entradas ambíguas, mantendo um desempenho competitivo em perguntas claras dentro da tarefa.
Kim et al. (Qui,) estudaram essa questão.