ترجمه فارسی مقاله همدلی مصنوعی: به سوی داده‌های همدلی مصنوعی با کیفیت بالا

چکیده

In recent years, with the rapid advancements in large language models (LLMs), achieving excellent empathetic response capabilities has become a crucial prerequisite. Consequently, managing and understanding empathetic datasets have gained increasing significance. However, empathetic data are typically human-labeled, leading to insufficient datasets and wasted human labor. In this work, we present Synth-Empathy, an LLM-based data generation and quality and diversity selection pipeline that automatically generates high-quality empathetic data while discarding low-quality data. With the data generated from a low empathetic model, we are able to further improve empathetic response performance and achieve state-of-the-art (SoTA) results across multiple benchmarks. Moreover, our model achieves SoTA performance on various human evaluation benchmarks, demonstrating its effectiveness and robustness in real-world applications. Furthermore, we show the trade-off between data quantity and quality, providing insights into empathetic data generation and selection.

چکیده به فارسی (ترجمه ماشینی)

در سالهای اخیر ، با پیشرفت های سریع در مدل های بزرگ زبان (LLMS) ، دستیابی به قابلیت های پاسخ همدلی عالی به یک پیش نیاز مهم تبدیل شده است.در نتیجه ، مدیریت و درک مجموعه داده های همدلی اهمیت فزاینده ای کسب کرده است.با این حال ، داده های همدلی به طور معمول دارای برچسب انسانی هستند و منجر به مجموعه داده های ناکافی و هدر رفتن کار انسان می شوند.در این کار ، ما Synth-Empathy ، یک خط لوله انتخاب داده مبتنی بر LLM و خط لوله انتخاب کیفیت و تنوع را ارائه می دهیم که به طور خودکار داده های همدلی با کیفیت بالا را در حالی که داده های کم کیفیت را دور می زنند ، تولید می کند.با داده های حاصل از یک مدل همدلی کم ، ما می توانیم عملکرد پاسخ همدلی را بیشتر بهبود بخشیم و به نتایج پیشرفته (SOTA) در معیارهای مختلف برسیم.علاوه بر این ، مدل ما به عملکرد SOTA در معیارهای مختلف ارزیابی انسانی دست می یابد و اثربخشی و استحکام آن را در کاربردهای دنیای واقعی نشان می دهد.علاوه بر این ، ما تجارت بین کمیت و کیفیت داده ها را نشان می دهیم ، و بینش هایی در مورد تولید و انتخاب داده های همدلی ارائه می دهیم.