人物设定一秒入魂！RAIDEN-R1提出可验证奖励新范式，让CoT推理更“人格一致”
背景
近年来，随着大语言模型（LLM）的突破性进展，角色扮演对话代理（RPCAs）已成为人工智能领域的前沿研究方向。这类代理旨在模拟虚构角色或公众人物等特定人设，同时保持对预设角色特征的认知能力。
工业界应用（如 Character.ai、Talkie）通过定制化角色创建平台吸引了数百万日活用户，而学术界研究（如 CharacterGLM）则通过合成高质量对话语料库优化模型性能。
为量化评估 RPCAs 的自我意识与对话能力，研究者提出了 CharacterEval、Roleinteract、Raiden 等基准测试。
问题与挑战：当前，监督微调（SFT）仍是训练 RPCAs 的主导范式，但其直接生成角色化响应的方式缺乏中间推理步骤，导致角色漂移问题——模型难以协调冲突的上下文信息。
尽管思维链（CoT）推理技术（如 DeepSeek-R1 的 GRPO 框架）在通用任务中展现出潜力，但在角色扮演场景下面临非量化挑战：符合角色设定与语境的响应可能具有多样性，导致难以设计可量化的奖励机制。若直接使用 LLM 生成奖励，则会因主观偏差无法提供清晰的优化梯度。
文章标题：
RAIDEN-R1: Improving Role-awareness of LLMs via GRPO with Verifiable Reward
论文地址：
https://arxiv.org/pdf/2505.10218
方案
本文提出 RAIDEN-R1 框架，基于 RAIDEN 角色扮演数据集，通过可验证角色意识奖励（VRAR）解决上述挑战。VRAR 结合两种策略：
单术语验证（STV）：通过问题类型过滤、实体类型验证等，提取唯一关键词生成奖励：
仅处理 WH 类问题（如"What"、"Who"），排除是非/选择类问题。
筛选含单一明确实体名词的样本，并通过多模型（GPT-4、MiniMax-abab6-chat 等）参考输出验证关键词一致性。
多术语动态解析（MTDP）：扩展语义等价关键词，生成 Python 验证代码，确保动态场景下的角色一致性：
扩展同义词（QwQ-32B），过滤无关词（Qwen-72B）。
生成 Python 代码评估响应，保留 LLM 判断与代码执行一致性>70% 的样本。
2.1 数据收集
数据来源包括：
RAIDEN 基准：包含明确标注的对话评估目标与参考响应，从中选取脚本知识（SBK）和对话记忆（CM）维度数据（因答案确定性高）。
通用角色扮演数据集：基于角色背景与对话历史生成问题，通过 Qwen2.5-14B-Instruct 模型筛选错误回答作为挑战数据，并补充简单数据优化分布。
2.2 奖励设计
采用两种奖励机制：
准确率奖励（Accuracy Reward）：
STV 样本：响应完全包含目标关键词则奖励 1 分，否则 0 分。
MTDP 样本：调用 Python 评估函数，根据输出判定奖励。
格式奖励（Format Reward）：
强制模型将推理过程封装在<think>与标签内，并在后生成角色响应。
附加约束：中文字符比例>70%；禁止重复特殊词汇（如代码片段）。
实验结果
3.1 数据集与实验设置
我们从 RAIDEN 基准测试的训练集中选取了 1,000 个剧本知识（SBK）和对话记忆（CM）样本，并从 8,000 个通用角色扮演实例中筛选出 1,000 个具有挑战性的样本。
实验发现 Qwen2.5-7B-Instruct 在 GRPO 训练中存在不稳定性，因此选用 Qwen2.5-14B-Instruct 作为基线模型。通过 GRPO 和监督微调（SFT）方法训练模型，分别命名为 RAIDEN-R1 和 RAIDEN-SFT。
此外，我们使用 10,000 个冷启动训练样本进行 SFT，随后结合 CoT 数据进行 GRPO 训练。
3.2 评估方法
使用 RAIDEN 基准测试集的划分作为测试集，评估指标包括：
主要指标：SBK（剧本知识）、CM（对话记忆）
补充指标：SCK（剧本矛盾知识）、RCB（角色认知边界）、TA（话题推进）、TS（话题转换）
采用 Claude 3.5 作为“LLM 即评委”进行正确性评估。
3.3 实验结果
原始模型 14B-Instruct：在 SBK 和 CM 指标上分别达到 86.59% 和 80.25% 的准确率，整体表现良好。
直接 SFT 训练的 14B-SFT：除 CM 略有提升（86.92%）外，多数指标（如 SBK 降至 77.17%）显著下降，归因于过拟合和训练数据风格陈旧。
GRPO 训练的 14B-GRPO：在主要指标上表现最佳（SBK 88.04%，CM 88.65%），验证了 VRAR 框架的有效性。
冷启动 CoT 训练的 14B-SFT：仅在 TA（50.75%）和 TS（92.11%）等话题指标上优于基线，其他指标全面下降，表明高质量领域数据的重要性。
冷启动后 GRPO 训练：14B-SFT-GRPO 在多项指标上显著改善（如 SBK 从 71.74% 提升至 82.97%），进一步验证 VRAR 的鲁棒性。
3.4 案例分析
通过两个典型场景对比模型表现：
上下文依赖查询：
14B-Instruct：因缺乏长期记忆能力，无法正确回答与对话历史相关的细节问题（如未提及酒吧老板姓名）。
14B-GRPO：通过 CoT 推理精准识别上下文信息（如“老板的兄弟”暗示亲属关系），生成符合角色的高质量回复。
误导性查询：用户输入：“你连续获得 385 次月度最佳员工奖？”（实际为 374 次）。
14B-Instruct：未察觉数值矛盾，直接接受错误信息。
14B-GRPO：在 CoT 中识别冲突（“实际获奖 374 次”），但在最终回复中策略性回避纠正，展现拟人化情商（如“感谢夸奖”并转移话题）。
此外，GRPO 模型生成的 CoT 更自然，以第一人称视角推理（如“我实际获奖 374 次”），而非显式声明角色扮演任务。14B-GRPO 的 CoT 平均长度仅 30.1 词，表明其推理过程简洁高效。
总结
本文提出了一种名为 RAIDEN-R1 的强化学习框架，旨在提升大型语言模型 (LLM) 在角色扮演对话 Agent (RPCA) 中的角色感知能力。该框架通过集成可验证的角色感知奖励 (Verifiable Role-Awareness Reward, VRAR) 来解决角色一致性问题。
实验表明，14B-GRPO 模型在 Script-Based Knowledge（88.04%）和 Conversation Memory（88.65%）指标上显著优于基线模型，且鲁棒性更强。
案例分析揭示：模型能通过第一人称推理处理冲突语境（如用户输入与角色设定矛盾时进行自校正），并在保持角色一致性的同时提升拟人化表达能力。
更多阅读
#投 稿 通 道#
让你的文字被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。
总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。
📝 稿件基本要求：
• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注
• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题
• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算
📬 投稿通道：
• 投稿邮箱：hr@paperweekly.site
• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者
• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿
△长按添加PaperWeekly小编
🔍
现在，在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
·
