主动检测人类与大语言模型对话中的用户端隐式冲突

在人类与大语言模型的对话中，后续的用户话语可能与早期的意图隐式冲突，导致大语言模型误解用户需求并生成不适当的响应。可靠的对话系统应该在生成响应之前主动检测用户方冲突，并在必要时寻求澄清。然而，之前的工作主要集中在大语言模型方面的冲突，而对用户方面的冲突没有得到充分的探索。为了填补这一空白，我们构建了 UC-Bench，一个用于评估用户端冲突检测的人工注释基准。初步实验表明，现有的大语言模型很难完成这项任务，特别是当冲突源于对话历史中隐含的不兼容性时。为了利用有限的训练数据改进轻量级大语言模型，我们研究了用于用户端冲突检测的数据合成。现有的合成方法没有明确地模拟历史和当前用户话语之间的隐式不兼容性，从而难以捕获冲突的演变并生成可靠标记的隐式冲突样本。我们提出了 SynUC，一种约束引导的合成方法，它表示约束空间中的用户方冲突，并使用 SPEAKING 框架来指导可追踪的约束转换。将SynUC应用于WildChat，我们构建了UC-Data，一个包含2,487个样本的用户端冲突训练集。在 UC-Bench 上，在 UC-Data 上训练的 Qwen3.5-4B 优于较大的通用 LLM，例如 Claude Opus 4.8，以及在现有方法合成的数据上训练的相同骨干网。