Mads
PulseAugur coverage of Mads — every cluster mentioning Mads across labs, papers, and developer communities, ranked by signal.
- 2026-09-10 research_milestone Researchers introduced MADS, a framework for generating persuasive dialogues that demonstrated a 22.4% increase in marketing conversion rates. 来源
-
新的MADS流程生成对抗性对话以增强对话代理的鲁棒性
研究人员推出了一种新颖的合成对话数据生成流程MADS(Multi-Agent Dialog Simulation),旨在提高对话代理的鲁棒性。该系统专门侧重于创建对抗性对话轨迹和不愉快路径,这些在现有基准中通常代表性不足。为了评估其有效性,研究团队构建了MADS-Bench,一个包含六个领域中一千多场对话的基准,并展示了一种两阶段的训练方法,结合了监督微调和使用可验证奖励的强化学习。
-
MADS框架生成说服性对话,提高营销转化率
研究人员开发了MADS(多智能体对话模拟)框架,通过智能体自我博弈生成多轮说服性对话。该系统使用三个智能体来模拟多样化的用户角色、执行说服策略并优化对话结果。在营销场景中应用MADS,提高了小型LLM的说服能力,有机流量转化率提高了22.4%。
-
新的MADS描述符集超越频谱摘要,增强音频分析能力
研究人员开发了MADS(多视图声学描述符集),这是一个新的19维描述符集,旨在捕捉音频信号中超越传统频谱摘要的更丰富的物理动态。MADS编码激励、阻尼和周期性等属性,旨在提供对声音生成事件的更全面理解。在ESC-10和ESC-50等数据集上的评估表明,与现有的手工制作基线相比,MADS在较低的维度下实现了强大的性能,并将其定位为未来音频建模的基础层。
-
新方法通过模型感知数据选择改进LLM指令微调
研究人员开发了一种名为模型感知多样性核心集选择(MADS)的新方法,以改进大型语言模型的指令微调。MADS在LLM推理过程中根据神经激活状态区分数据特征,确保所选核心数据集具有更大的多样性。实验表明,由一个3B参数模型选择的核心集可以有效地微调更大的模型,与使用完整数据集相比,平均性能提升高达2.5%。