llm-agents long-context retrieval-augmented-generation long-term-memory conversation-benchmarks persona-based-dialogue long-term-conversation dialogue-generation
Abstract
Existing works on long-term open-domain dialogues focus on evaluating model responses within contexts spanning no more than five chat sessions. Despite advancements in long-context large language models (LLMs) and retrieval augmented generation (RAG) techniques, their efficacy in very long-term dialogues remains unexplored. To address this research gap, we introduce a machine-human pipeline to generate high-quality, very long-term dialogues by leveraging LLM-based agent architectures and grounding their dialogues on personas and temporal event graphs. Moreover, we equip each agent with the capability of sharing and reacting to images. The generated conversations are verified and edited by human annotators for long-range consistency and grounding to the event graphs. Using this pipeline, we collect LoCoMo, a dataset of very long-term conversations, each encompassing 300 turns and 9K tokens on avg., over up to 35 sessions. Based on LoCoMo, we present a comprehensive evaluation benchmark to measure long-term memory in models, encompassing question answering, event summarization, and multi-modal dialogue generation tasks. Our experimental results indicate that LLMs exhibit challenges in understanding lengthy conversations and comprehending long-range temporal and causal dynamics within dialogues. Employing strategies like long-context LLMs or RAG can offer improvements but these models still substantially lag behind human performance.
한국어 요약
한 줄 요약
LLM 에이전트의 매우 장기적 대화 기억 능력을 평가하기 위해 LoCoMo 데이터셋과 3가지 평가 태스크를 제시하며, LLM의 장기 기억 처리 능력이 여전히 인간 수준에 크게 못 미친다는 것을 밝힘.
핵심 기여도
- LoCoMo 데이터셋: 50개의 대화, 평균 300턴, 9K 토큰, 최대 35세션 구성.
- 3가지 평가 태스크: QA, 이벤트 그래프 요약, 멀티모달 대화 생성.
- 장기 컨텍스트 LLM과 RAG가 QA 성능을 22-66% 개선했으나, 인간 대비 56-73% 낮음.
- RAG는 단기 LLM의 정확성과 장기 LLM의 이해력을 결합한 균형 잡힌 성능 보임.
핵심 아이디어
기존 연구는 최대 5세션의 대화 컨텍스트만 평가했으나, 본 연구는 LLM 에이전트를 활용해 최대 35세션의 장기 대화를 생성하고, 인간 어노테이터가 일관성과 이벤트 그래프 접지를 검증하는 혼합 파이프라인을 제시했다. 이는 실제 온라인 대화와 유사한 복잡한 장기 대화를 구축하는 데 기여한다. 또한, 대화에 이미지 공유와 반응 기능을 추가해 멀티모달성을 반영했다. 이는 기존 대화 모델 평가에서 다루지 않았던 중요한 요소이다.
기술적 접근법
- **LoCoMo 생성 파이프라인**: LLM 기반 에이전트가 대화를 생성 → 인간 어노테이터가 일관성 및 이벤트 그래프 접지 검증.
- **대화 요소**: 개별 에이전트는 고유한 퍼소나, 인과적 이벤트 타임라인, 이미지 공유 및 반응 기능을 갖춤.
- **평가 태스크**:
- QA: 5가지 추론 유형(단일/다중 훅, 시간적, 상식, 적대적 질문)으로 평가.
- 이벤트 그래프 요약: 대화 기록에서 이벤트 정보 추출.
- 멀티모달 대화 생성: 과거 대화 기반으로 일관된 응답 생성.
주요 결과
- **QA 성능**: 장기 컨텍스트 LLM과 RAG는 22-66% 개선했으나, 인간 대비 56-73% 낮음.
- **이벤트 그래프 요약**: 장기 컨텍스트 LLM은 기반 모델 대비 14% 낮은 성능.
- **적대적 질문**: 장기 컨텍스트 LLM은 기반 모델 대비 83% 낮은 성능.
- **RAG**: 단기 정확성과 장기 이해력을 결합한 균형 잡힌 성능.
의의 및 한계
본 연구는 LLM이 장기 대화에서 인과적, 시간적 관계를 이해하는 데 어려움이 있음을 명확히 밝혔으며, 기존 평가 방법이 장기 컨텍스트를 다루지 못한다는 한계를 보완했다. 그러나 LLM이 생성하는 장문 응답의 정확도 평가가 여전히 어려운 점은 한계로 지적된다. 또한, LoCoMo는 50개의 대화로 구성되어 규모가 제한적일 수 있다.
실용적 활용
본 연구는 장기 대화를 요구하는 챗봇, 가상 보조, 멀티모달 인터페이스 개발에 기여할 수 있다. 특히, RAG와 장기 컨텍스트 LLM의 결합은 대화 일관성과 기억력을 향상시키는 데 활용 가능하다.