在当今数字化快速发展的时代，角色扮演AI（Role-Playing Language Agents，RPLAs）作为大语言模型（LLM）的一个重要应用，越来越受到关注。

这项技术不仅可以用于情感陪伴、故事创作，还能在游戏中为角色赋予生命。

复旦大学的王鑫涛博士及其团队在这一领域做出了重要的贡献，他们的研究项目“CoSER”旨在提升角色扮演AI的表现，尤其是在扮演经典文学作品中的角色时。

图 1：CoSER 数据集中的一个示例，该数据集提供 全面的数据类型 例如对话对话和设置、情节摘要、人物的内心想法，真实地来自知名书籍。

CoSER项目的核心在于构建一个庞大的真实数据集，涵盖了来自771本知名文学作品的17,966个角色，以及29,798段真实对话。

这些对话不是由AI生成的，而是从经典文学中提取的，确保了数据的真实性和丰富性。

与以往的数据集相比，CoSER的数据不仅包含角色的基本信息，还包括详细的对话背景、关键剧情摘要和角色经历。

这种全面性使得角色扮演AI在理解和模拟角色时更为精准。

图 2：CoSER 的数据集、训练和评估概述。 左图：CoSER 数据集来自知名书籍，并通过基于 LLM 的管道进行处理。 它包含有关情节、对话和人物的丰富数据类型。 右： 我们应用给定环境行为来使用这些对话来训练和评估角色扮演 LLM。 对于训练，每个样本都会训练 LLM 使用其原始对话在对话中描绘特定角色。 对于评估， 在给定相同场景的情况下，我们构建了一个用于对话模拟的多智能体系统，并通过基于惩罚的 LLM 批评者评估模拟对话。

在训练和评估方面，CoSER引入了一种名为“给定情境表演”（Given-Circumstance Acting，GCA）的方法。

这种方法受到著名表演理论家斯坦尼斯拉夫斯基的启发，强调在特定情境下进行角色扮演。

在训练过程中，模型需要根据对话及其上下文情景来扮演不同角色，并在此基础上进行训练。

评估阶段则采用多智能体模拟和基于惩罚的评判机制，确保角色表现的质量和忠实度。

图 3：LLM 在 CoSER 测试中的表现 具有从各种角色数据中检索增强功能。 Expr.和 Conv. 分别表示体验和对话。

通过这些创新，CoSER项目展示了其在角色扮演AI领域的强大能力。

实验结果显示，CoSER-70B模型在多项评估中表现优异，超越了其他开源模型，证明了其在真实对话生成和角色表现上的出色能力。

如果你想深入了解CoSER的细节，可以访问项目的GitHub页面。

同时，相关的论文也可以在这里找到：CoSER论文。