ゲームダイアログの脱フランダー化：LLMベースのNPCにおけるキャラクターの真正性とタスク実行のバランス

要旨

大規模言語モデル（LLMs）の出現は、ゲーム環境における動的な非プレイヤーキャラクター（NPCs）の作成に新たな機会をもたらし、機能的なタスク実行と人物像に一貫した対話生成の両方を可能にした。本論文では、我々（Tu_Character_lab）が参加したCommonsense Persona-Grounded Dialogue Challenge（CPDC）2025 Round 2について報告する。このチャレンジでは、タスク指向対話、文脈認識対話、およびそれらの統合という3つのトラックにわたってエージェントを評価する。我々のアプローチは、2つの補完的な戦略を組み合わせたものである：（i）APIトラックにおける軽量なプロンプティング技術。これには、過剰なロールプレイを抑制しタスクの忠実度を向上させるためのDeflanderizationプロンプティング手法を含む。（ii）GPUトラックにおけるファインチューニングされた大規模モデル。Qwen3-14Bを教師ありファインチューニング（SFT）とLow-Rank Adaptation（LoRA）を活用して使用した。我々の最良の提出結果は、Task 1で2位、Task 3（APIトラック）で2位、Task 3（GPUトラック）で4位となった。

English

The emergence of large language models (LLMs) has opened new opportunities for cre- ating dynamic non-player characters (NPCs) in gaming environments, enabling both func- tional task execution and persona-consistent dialogue generation. In this paper, we (Tu_Character_lab) report our participation in the Commonsense Persona-Grounded Dialogue Challenge (CPDC) 2025 Round 2, which eval- uates agents across three tracks: task-oriented dialogue, context-aware dialogue, and their integration. Our approach combines two complementary strategies: (i) lightweight prompting techniques in the API track, including a Deflanderization prompting method to suppress excessive role-play and improve task fidelity, and (ii) fine-tuned large models in the GPU track, leveraging Qwen3-14B with supervisedfinetuning (SFT) and Low-Rank Adaptation(LoRA). Our best submissions ranked 2nd on Task 1, 2nd on Task 3 (API track), and 4th on Task 3 (GPU track).

ゲームダイアログの脱フランダー化：LLMベースのNPCにおけるキャラクターの真正性とタスク実行のバランス

Deflanderization for Game Dialogue: Balancing Character Authenticity with Task Execution in LLM-based NPCs

要旨

Support