💬 NLP

EmoDistill: Offline Emotion Skill Distillation for Language Model Agents in Adversarial Negotiation

EmoDistill एक ऑफलाइन फ्रेमवर्क है जो एक दो-चरणीय प्रक्रिया के माध्यम से भावनात्मक कौशल को आसक्त (distill) करके प्रतिकूल वार्ताओं (adversarial negotiations) में भाषा मॉडल एजेंटों को उन्नत करता है—जिसमें रणनीतिक भावनाओं का चयन करने के लिए इम्पलिसिट क्यू-लर्निंग (Implicit Q-Learning) और उनकी अभिव्यक्ति को अनुकूलित करने के लिए लो-रैंक अडैप्टेशन (Low-Rank Adaptation) का उपयोग किया जाता है—जिससे यह महंगी ऑनलाइन ट्रेनिंग की आवश्यकता के बिना उच्च-दांव वाले डोमेन में मानक बेसलाइनों से बेहतर प्रदर्शन करता है।

मूल लेखक: Yunbo Long, Haolang Zhao, Lukas Beckenbauer, Liming Xu, Alexandra Brintrup

प्रकाशित 2026-05-27

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yunbo Long, Haolang Zhao, Lukas Beckenbauer, Liming Xu, Alexandra Brintrup

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

मुख्य विचार: एक रोबोट को "कमरे के माहौल को समझना" सिखाना

कल्पना कीजिए कि आप एक जूनियर वार्ताकार (एक छोटा AI) को कठिन बातचीत संभालने के लिए प्रशिक्षित कर रहे हैं, जैसे कि किसी देनदार से बिल जल्दी चुकाने के लिए कहना या बचाव के समय (rescue time) पर बातचीत करना।

आमतौर पर, हम AI को विनम्र, सुरक्षित और सहायक होने के लिए प्रशिक्षित करते हैं। लेकिन एक उच्च-दांव वाली बातचीत (high-stakes negotiation) में, बहुत अधिक विनम्र होना एक कमजोरी है। यदि आप बहुत अधिक विनम्र हैं, तो दूसरा पक्ष आपका फायदा उठा सकता है। यह पेपर तर्क देता है कि भावना केवल एक अहसास नहीं है; यह एक उपकरण है। ठीक वैसे ही जैसे एक शतरंज का खिलाड़ी एक विशिष्ट चाल चुनता है, एक वार्ताकार को सर्वोत्तम परिणाम प्राप्त करने के लिए एक विशिष्ट भावना (जैसे "दृढ़ क्रोध" या "तत्काल भय") चुननी चाहिए।

समस्या यह है कि बड़े, महंगे AI मॉडल (LLMs) इसमें माहिर हैं, लेकिन वे धीमे और चलाने में महंगे होते हैं। छोटे, सस्ते AI मॉडल (SLMs) तेज़ होते हैं लेकिन आमतौर पर बातचीत करने में खराब होते हैं क्योंकि वे बहुत अधिक विनम्र होते हैं।

EmoDistill एक ऐसी विधि है जो एक बड़े, महंगे AI से "बातचीत के रहस्यों" को लेकर उन्हें एक छोटे, सस्ते AI को सिखाती है—विशेष रूप से इसे यह सिखाती है कि रणनीतिक रूप से भावनाओं का उपयोग कैसे किया जाए, बिना हर बार लाइव बातचीत का अभ्यास किए।

समस्या: "विनम्र AI" का जाल

आज के AI को एक बहुत ही शिष्ट बटलर (बड़ा नौकर) के रूप में सोचें। यदि आप उससे बातचीत करने के लिए कहते हैं, तो वह कहेगा, "कृपया, क्या आप शायद थोड़ा जल्दी भुगतान करने पर विचार कर सकते हैं?"

एक वास्तविक बातचीत में, दूसरा पक्ष (दूसरा AI) यह सुनकर सोच सकता है, "बहुत बढ़िया, मैं अब और अधिक दबाव डाल सकता हूँ।" पेपर में पाया गया कि यदि आप केवल प्रॉम्प्ट में AI को "क्रोधित होने" या "डरे हुए होने" के लिए कहते हैं, तो यह परिणाम बदल देता है। लेकिन अंदाजे से अनुमान लगाना काम नहीं करता। आपको यह जानने की आवश्यकता है कि कब क्रोधित होना है और इसे कैसे कहना है ताकि यह एक समझदार रणनीति की तरह लगे, न कि केवल एक गुस्सा दिखाना।

समाधान: "EmoDistill" फैक्ट्री

शोधकर्ताओं ने छोटे AI को प्रशिक्षित करने के लिए तीन-चरणीय फैक्ट्री बनाई। उन्होंने छोटे AI को लाइव अभ्यास नहीं कराया (जो धीमा और महंगा है)। इसके बजाय, उन्होंने एक बड़े AI द्वारा बनाए गए "सिमुलेशन" का उपयोग किया।

यहाँ तीन-चरणीय प्रक्रिया दी गई है:

1. "कोच" (IQL सेलेक्टर)

कल्पना कीजिए कि एक स्पोर्ट्स कोच गेम के घंटों के फुटेज देख रहा है। कोच खेल नहीं खेलता; वह केवल यह तय करता है कि कौन सी चाल चलनी है।

यह क्या करता है: यह हिस्सा सीखता है कि वर्तमान स्थिति के आधार पर कौन सी भावना चुननी है।
उपमा: यदि प्रतिद्वंद्वी टालमटोल कर रहा है, तो कोच कहता है, "'क्रोध' का आह्वान करें।" यदि प्रतिद्वंद्वी डरा हुआ है, तो कोच कहता है, "'सहानुभूति' का आह्वान करें।" यह इसने हजारों पिछले सिम्युलेटेड गेम्स को देखकर सीखा है कि किन भावनात्मक अनुक्रमों (sequences) ने जीत दिलाई।

2. "एक्टर" (LoRA-SFT)

अब जब कोच ने चाल चल दी है, तो किसी को उसे अभिनय करना होगा।

यह क्या करता है: यह हिस्सा छोटे AI को सिखाता है कि जब वह उस विशिष्ट भावना को महसूस कर रहा हो तो कैसे बोलना है।
उपमा: यदि कोच "क्रोध" का आह्वान करता है, तो एक्टर केवल "मैं गुस्से में हूँ!" चिल्लाकर नहीं बोलता (जो कि बुरा है)। इसके बजाय, वह सीखता है कि यह कहना, "मुझे गहरा दुख है कि यह सौदा अटक गया है, और हमें अब आगे बढ़ने की जरूरत है," जैसे पेशेवर वार्ताकार की तरह बोलना। वह सीखता है कि एक पेशेवर वार्ताकार की तरह कैसे बोलें जो क्रोध का उपयोग एक उपकरण के रूप में कर रहा है, न कि एक बच्चे की तरह जो झल्लाहट में चिल्ला रहा हो। वह बड़े AI के सिमुलेशन से बेहतरीन पंक्तियाँ कॉपी करके यह सीखता है।

3. "रेफरी" (जज पॉलिसी ऑप्टिमाइज़ेशन - JPO)

कोच और एक्टर के होने के बावजूद, प्रदर्शन अभी भी थोड़ा बिगड़ा हुआ हो सकता है। रेफरी विवरणों को ठीक करने के लिए आता है।

यह क्या करता है: यह चरण AI द्वारा कही गई हर एक वाक्य को देखता है और उसे एक स्कोर देता है। क्या उस विशिष्ट वाक्य ने सौदे में मदद की? या क्या उसने इसे नुकसान पहुँचाया?
उपमा: कल्पना कीजिए कि एक फिल्म निर्देशक एक टेक (take) देखते हुए कहता है, "वह लाइन अच्छी थी, लेकिन आपने इसे बहुत धीरे कहा। फिर से कोशिश करें जिसमें थोड़ा अधिक दम हो।" रेफरी एक "जज AI" का उपयोग करके हर वाक्य पर तत्काल फीडबैक देता है, जिससे छोटा AI यह सीख पाता है कि अपने स्कोर को अधिकतम करने के लिए ठीक से किन शब्दों का उपयोग करना है।

उन्होंने इसे कैसे प्रशिक्षित किया (द "ऑफलाइन" सीक्रेट)

आमतौर पर, एक वार्ताकार को प्रशिक्षित करने के लिए, आपको उसे हजारों बार वास्तविक समय में दूसरे AI के खिलाफ लड़ना पड़ता है। यह हर दिन समुद्र में कूदकर तैरना सीखने जैसा है—जो खतरनाक और धीमा है।

EmoDistill ऑफलाइन है।

उन्होंने एक बड़े, शक्तिशाली AI (शिक्षक) का उपयोग करके एक बार एक विशाल सिमुलेशन चलाया।
उन्होंने हर बातचीत, इस्तेमाल की गई हर भावना और अंतिम परिणाम को रिकॉर्ड किया।
फिर उन्होंने इस रिकॉर्ड किए गए डेटा का उपयोग छोटे AI (छात्र) को प्रशिक्षित करने के लिए किया।
लाभ: छोटा AI पिछली बातचीत के "भूतों" से सीखता है। इसे प्रशिक्षण के दौरान किसी से लाइव बात करने की आवश्यकता नहीं है। यह बस प्लेबुक का अध्ययन करता है।

परिणाम: छोटा AI जीतता है

उन्होंने चार अलग-अलग कठिन परिदृश्यों पर इसका परीक्षण किया:

ऋण वसूली (Debt Collection): किसी से बिल जल्दी चुकाने के लिए कहना।
आपदा बचाव (Disaster Rescue): यह बातचीत करना कि बचाव दल कितनी देर तक प्रतीक्षा कर सकता है।
अस्पताल सर्जरी (Hospital Surgery): सर्जरी के प्रतीक्षा समय को शेड्यूल करना।
छात्र की नींद (Student Sleep): यह बातचीत करना कि छात्र को कब सोना चाहिए।

निष्कर्ष:

EmoDistill के साथ प्रशिक्षित छोटा AI, उस बड़े AI से भी बेहतर वार्ताकार बन गया जिस पर उसे प्रशिक्षित किया गया था (सर्वश्रेष्ठ सौदा प्राप्त करने के मामले में)।
इसने उन अन्य छोटे AI को भी पछाड़ दिया जिन्होंने इस भावनात्मक प्रशिक्षण का उपयोग नहीं किया था।
इसने सीखा कि भावना एक रणनीति है। यह केवल भावनात्मक नहीं लगा; इसने बेहतर कीमतें, तेज़ समय या बेहतर सौदे पाने के लिए भावनाओं का उपयोग किया।
"रिस्क" नियंत्रण: उन्होंने पाया कि वे AI को ट्यून (tune) कर सकते हैं। यदि आप चाहते हैं कि यह आक्रामक हो, तो आप इसे एक तरह से ट्यून करते हैं। यदि आप चाहते हैं कि यह सुरक्षित रहे और केवल कोई भी सौदा कर ले, तो आप इसे दूसरी तरह से ट्यून करते हैं।

कमी (सीमाएँ)

इसे एक "कोच" की आवश्यकता है: छोटा AI तब सबसे अच्छा काम करता है जब उसके पास "कोच" (इमोशन सेलेक्टर) होता है जो उसे बताता है कि क्या महसूस करना है। यदि आप कोच को हटा देते हैं और केवल AI को अनुमान लगाने देते हैं, तो वह भ्रमित हो जाता है और खराब प्रदर्शन करता है।
यह सिमुलेशन पर प्रशिक्षित है: AI ने AI-बनाम-AI की लड़ाइयों से सीखा है। यह एक वास्तविक इंसान को संभालने के बारे में नहीं जान सकता है जो अप्रत्याशित व्यवहार करता है।
यह विशिष्ट है: AI ने इन विशिष्ट परिदृश्यों में बातचीत करना सीखा है। यह स्वचालित रूप से नहीं जान सकता है कि कार की कीमत या वेतन के लिए कैसे बातचीत करनी है, हालांकि कौशल का स्थानांतरण हो सकता है।

सारांश

EmoDistill एक मास्टर वार्ताकार की तरह है जो अपनी सर्वश्रेष्ठ चालों को रिकॉर्ड करता है और एक नौसिखिए को उन्हें उपयोग करना सिखाता है। यह नौसिखिए को न केवल यह सिखाता है कि क्या कहना है, बल्कि यह भी सिखाता है कि बहस जीतने के लिए (रणनीतिक रूप से) क्या महसूस करना है। यह "विनम्र होने" को "प्रभावी होने" में बदल देता है, जिससे एक छोटा, सस्ता कंप्यूटर एक बहुत बड़े, अधिक महंगे कंप्यूटर से बेहतर बातचीत कर पाता है।

तकनीकी सारांश: EmoDistill

समस्या विवरण

पोस्ट-ट्रेन्ड लार्ज लैंग्वेज मॉडल्स (LLMs) को आमतौर पर सुरक्षा, शिष्टता और अनुकूलन क्षमता के लिए रीइन्फोर्समेंट लर्निंग फ्रॉम ह्यूमन फीडबैक (RLHF) और डायरेक्ट प्रेफरेंस ऑप्टिमाइज़ेशन (DPO) के माध्यम से अनुकूलित किया जाता है। सामान्य सहायता के लिए प्रभावी होने के बावजूद, यह संरेखण (alignment) प्रतिकूल बातचीत (adversarial negotiation) में एक रणनीतिक भेद्यता पैदा करता है। ऐसी स्थितियों में, भावनात्मक रूप से फ्रेम की गई भाषा अनजाने में एजेंटों को प्रतिपक्षी (counterparty) के हितों की ओर झुकने या रियायत देने के लिए प्रेरित कर सकती है।

वर्तमान दृष्टिकोण जो भावना-जागरूक बातचीत पर ध्यान केंद्रित करते हैं, उन्हें दो प्राथमिक सीमाओं का सामना करना पड़ता है:

ऑनलाइन लर्निंग लागत: ऑनलाइन रीइन्फोर्समेंट लर्निंग (जैसे, PPO) पर निर्भर विधियाँ मल्टी-टर्न एजेंट-टू-एजेंट इंटरैक्शन के लिए कम्प्यूटेशनल रूप से महंगी और अस्थिर हैं, क्योंकि उन्हें महंगी API रोलआउट की आवश्यकता होती है और वे स्पार्स (sparse) ट्राजेक्टरी-लेवल फीडबैक के साथ संघर्ष करती हैं।
रणनीति और अभिव्यक्ति का विच्छेद (Decoupled Strategy and Expression): मौजूदा विधियाँ अक्सर भावना चयन को एक निर्णय चर (decision variable) के रूप में मानती हैं लेकिन उत्तपाद जनरेटर (utterance generator) को स्थिर छोड़ देती हैं। फलस्वरूप, एक चयनित भावना (जैसे, "क्रोध") अभी भी अस्पष्ट शिष्टता या समयपूर्व रियायत के माध्यम से प्रकट हो सकती है क्योंकि मॉडल के पास उस भावना को सौदेबाजी के संदर्भ में रणनीतिक रूप से व्यक्त करने का विशिष्ट कौशल नहीं होता है।

मुख्य चुनौती भावनात्मक बातचीत के कौशल को सीखना है—जो संवाद अवस्थाओं (dialogue states), भावनात्मक रुख (emotional stances), ठोस कथनों (concrete utterances) और जज फीडबैक को पुन: प्रयोज्य सौदेबाजी के मूव्स में बांध सके—बिना ऑनलाइन प्रशिक्षण की लागत उठाए।

कार्यप्रणाली: EmoDistill

लेखक EmoDistill का प्रस्ताव करते हैं, जो एक ऑफलाइन फ्रेमवर्क है जो पूर्व-निर्धारित LLM-बनाम-LLM ट्राजेक्टरीज से भावनात्मक बातचीत के कौशल को एक छोटे लैंग्वेज मॉडल (SLM) में डिस्टिल (distill) करता है। यह फ्रेमवर्क समस्या को दो अलग-अलग घटकों में विभाजित करता है: इमोशन सिलेक्शन (भावना चयन) और इमोशनल एक्सप्रेशन (भावनात्मक अभिव्यक्ति)।

1. ऑफलाइन ट्राजेक्टरी डेटासेट और सिग्नल डिज़ाइन

सिस्टम $N=80$ परिदृश्यों $\times$ $M=100$ रैंडम इमोशन-सीक्वेंस रोलआउट प्रति डोमेन (कुल 8,000 ट्राजेक्टरीज) के एक डेटासेट के निर्माण से शुरू होता है। प्रत्येक ट्राजेक्टरी को दो पूरक सिग्नल्स के साथ एनोटेट किया गया है:

वस्तुनिष्ठ सिग्नल ( $R(\tau)$ ): सौदेबाजी की गतिशीलता (जैसे, प्रतिपक्षी के एंकर और फोकल एजेंट के लक्ष्य के बीच के अंतर को कम करना) और टर्मिनल समझौते पर आधारित एक ट्राजेक्टरी-लेवल रिटर्न।
व्यक्तिगत सिग्नल ( $r_t$ ): एक LLM जज (Qwen3.5-Plus) द्वारा दिया गया एक सघन (dense), प्रति-टर्न स्कोर, जो एंकरिंग, लीवरेज और भावनात्मक रुख के साथ निरंतरता के आधार पर उत्तपाद (utterance) की गुणवत्ता का मूल्यांकन करता है।

2. तीन-चरणीय प्रशिक्षण पाइपलाइन

EmoDistill इन सिग्नल्स का उपयोग इन तीन चरणों में एक 7B पैरामीटर वाले SLM (Qwen2.5-7B-Instruct) को LoRA एडैप्टर्स के साथ प्रशिक्षित करने के लिए करता है:

चरण 1: इमोशन सिलेक्शन (इम्प्लिसिट Q-लर्निंग - IQL)
- लक्ष्य: संवाद अवस्था को देखते हुए किस भावना को व्यक्त किया जाए, यह सीखना।
- तंत्र: एक IQL सेलेक्टर को ऑफलाइन डेटासेट पर वस्तुनिष्ठ ट्राजेक्टरी रिटर्न $R(\tau)$ का उपयोग करके एक ऑब्जेक्टिव रिटर्न के रूप में प्रशिक्षित किया जाता है। यह एक पॉलिसी $\pi_\phi(e|s)$ सीखने के लिए एक ऑब्जेक्टिव रिटर्न का उपयोग करता है ताकि 28-लेबल GoEmotions शब्दावली से इष्टतम भावना एक्शन $e$ का चयन किया जा सके।
- आउटपुट: एक सेलेक्टर जो उच्च-मूल्य वाली भावनात्मक अनुक्रमों (जैसे, भय से क्रोध में संक्रमण) की पहचान करता है, बिना उत्तपाद जनरेटर को अपडेट किए।
चरण 2: एक्सप्रेशन इनिशियलाइजेशन (LoRA-SFT)
- लक्ष्य: चयनित भावना को कैसे व्यक्त किया जाए, यह सीखना।
- तंत्र: SLM को एक हाइब्रिड फिल्टर का उपयोग करके सुपरवाइज्ड फाइन-ट्यूनिंग (SFT) के माध्यम से फाइन-ट्यून किया जाता है। प्रदर्शन (demonstrations) को स्कोर $q_t^{hyb} = r_t + \frac{1}{2}R(\tau)$ के आधार पर चुना जाता है, यह सुनिश्चित करते हुए कि मॉडल उन टर्न की नकल करे जो स्थानीय रूप से सुव्यवस्थित (उच्च जज स्कोर) और वैश्विक रूप से उत्पादक (उच्च ट्राजेक्टरी रिटर्न) दोनों हों।
- आउटपुट: एक LoRA एडैप्टर जो अवस्था और चयनित भावना पर आधारित ठोस, रणनीतिक कथन उत्पन्न करने के लिए इनिशियलाइज किया गया है।
चरण 3: एक्सप्रेशन रिफाइनमेंट (जज पॉलिसी ऑप्टिमाइज़ेशन - JPO)
- लक्ष्य: सघन फीडबैक का उपयोग करके एक्सप्रेशन पॉलिसी को परिष्कृत करना।
- तंत्र: JPO एक ऑफलाइन PPO-क्लिप्ड सरोगेट ऑब्जेक्टिव लागू करता है। यह पॉलिसी को अपडेट करने के लिए प्रति-टर्न जज एडवांटेज ( $A_t$ ) का उपयोग करता है। महत्वपूर्ण रूप से, JPO एक एसिमेट्रिक एडवांटेज तंत्र का उपयोग करता है जहाँ नेगेटिव-एडवांटेज सैंपल्स को एक कारक $\kappa$ द्वारा डाउन-वेट किया जाता है। यह मॉडल को यह सीखने में मदद करता है कि कौन सी विशिष्ट भावनात्मक अभिव्यक्तियाँ बातचीत के ट्राजेक्टरी को बेहतर बनाती हैं, जबकि SFT के दौरान स्थापित "डील-क्लोजिंग" प्रायर को सुरक्षित रखती हैं।
- आउटपुट: एक परिष्कृत पॉलिसी जो यूटिलिटी को अधिकतम करने के लिए भावनात्मक अभिव्यक्तियों की विशिष्ट शब्दावली को अनुकूलित करती है।

मुख्य योगदान

EmoDistill फ्रेमवर्क: एक ऑफलाइन पाइपलाइन का परिचय जो LLM-स्तर के भावनात्मक स्विचिंग और अभिव्यक्ति रणनीतियों को एक छोटे 7B SLM में डिस्टिल करती है, जिससे लाइव API रोलआउट के बिना उच्च-प्रदर्शन वाली बातचीत संभव होती है।
सिलेक्शन और एक्सप्रेशन का पृथक्करण: इस बात का अनुभवजन्य प्रमाण कि एक चयनित भावना को व्यक्त करने के तरीके को अनुकूलित करना (LoRA-SFT और JPO के माध्यम से) भावना चुनने (IQL के माध्यम से) से अलग और पूरक है। पूर्ण पाइपलाइन उन बेसलाइन्स से बेहतर प्रदर्शन करती है जो केवल भावनाएं चुनती हैं या केवल फिक्स्ड जनरेटर्स का उपयोग करती हैं।
जज पॉलिसी ऑप्टिमाइज़ेशन (JPO): एक नवीन रिफाइनमेंट विधि जो भावनात्मक अभिव्यक्ति को बेहतर बनाने के लिए सघन, टर्न-लेवल LLM-जज एडवांटेज का लाभ उठाती है। सीक्वेंस-लेवल विधियों के विपरीत, JPO सूक्ष्म-स्तरीय क्रेडिट असाइनमेंट की अनुमति देता है, जो एक ही बातचीत के ट्राजेक्टरी के भीतर उच्च-गुणवत्ता वाले और निम्न-गुणवत्ता वाले अभिव्यक्तियों के बीच अंतर करता है।

प्रयोगात्मक परिणाम

फ्रेमवर्क का मूल्यांकन चार उच्च-दांव वाली बातचीत डोमेन में किया गया: क्रेडिट रिकवरी (CRAD), डिजास्टर रेस्क्यू, हॉस्पिटल सर्जरी शेड्यूलिंग, और स्टूडेंट स्लीप शेड्यूलिंग।

प्रदर्शन: पूर्ण EmoDistill पॉलिसी (IQL+SFT+JPO) ने चार में से तीन डोमेन में उच्चतम यूटिलिटी (सफलता दर जिसे डील क्वालिटी के आधार पर भारित किया गया है) प्राप्त की, जिसने वैनिला LLM/SLM बेसलाइन्स, रैंडम इमोशन प्रॉम्प्टिंग और IQL-ओनली बेसलाइन्स को पीछे छोड़ दिया।
एब्लेशन स्टडीज (Ablation Studies):
- घटक विश्लेषण: इमोशन सेलेक्टर (IQL) या एक्सप्रेशन रिफाइनमेंट (JPO) में से किसी एक को हटाने से प्रदर्शन में काफी गिरावट आई, जो दोनों घटकों की आवश्यकता की पुष्टि करता है।
- सिग्नल विश्लेषण: SFT को हाइब्रिड क्वालिटी फिल्टर (अच्छे प्रदर्शनों को चुनने) से सबसे अधिक लाभ हुआ, जबकि JPO को सघन टर्न-लेवल जज एडवांटेज से सबसे अधिक लाभ हुआ।
- इमोशन-फ्री एब्लेशन: स्पष्ट इमोशन कंडीशनिंग चैनल को हटाने से विश्वसनीयता और यूटिलिटी कम हो गई, जो सुझाव देती है कि बिना स्पष्ट नियंत्रण इंटरफेस के भावनात्मक रणनीति पूरी तरह से आंतरिककृत नहीं होती है।
ट्रांसफर: डिस्टिल्ड स्किल्स ने डोमेन और अनदेखे काउंटरपार्टीज (जैसे, DeepSeek-V3, GPT-4o-mini) के बीच आंशिक ट्रांसफर दिखाया। जबकि सफलता दर अच्छी तरह से ट्रांसफर हुई, वैल्यू एक्सट्रैक्शन (यूटिलिटी) डोमेन-विशिष्ट बारगेनिंग ज्योमेट्री के प्रति संवेदनशील बनी रही।
रिस्क कंट्रोल: JPO में पैरामीटर $\kappa$ ने समझौते की सफलता और प्रति-डील वैल्यू के बीच ट्रेड-ऑफ को ट्यून करने की अनुमति दी, जिसमें CRAD डोमेन में $\kappa=0.5$ ने इष्टतम संतुलन प्रदान किया।

महत्व और दावे

पेपर का दावा है कि बातचीत में भावना को एक नियंत्रणीय सौदेबाजी इंटरफेस के रूप में माना जाना चाहिए, न कि केवल एक जेनरेशन स्टाइल के रूप में। भावना के रुख के चयन को कथन के निर्माण से अलग करके, EmoDistill छोटे मॉडल्स को प्रभावी, रणनीतिक सौदेबाजी व्यवहार सीखने में सक्षम बनाता है जो मानक LLMs के "पॉलिटनेस बायस" (विनम्रता के पूर्वाग्रह) के विरुद्ध मजबूत होते हैं।

लेखक जोर देते हैं कि उनका दृष्टिकोण:

ऑनलाइन लागतों से बचता है: पूरी तरह से पूर्व-निर्णित LLM-बनाम-LLM इंटरैक्शन से प्राप्त ऑफलाइन डेटा पर निर्भर रहकर, यह मल्टी-एजेंट सेटिंग्स में अत्यधिक खर्चीले और अस्थिर ऑनलाइन RL के खर्चों से बचता है।
रक्षात्मक नियंत्रण प्रदान करता है: भावनात्मक प्रभाव को एक सीखने योग्य कौशल के रूप में मॉडल करने से एजेंट प्रतिपक्षी के हेरफेर करने वाले भावनात्मक फ्रेमिंग का विरोध करने में सक्षम होते हैं, जिससे प्रतिकूल सेटिंग्स में उपयोगकर्ता के उद्देश्यों को सुरक्षित रखा जा सके।
एक मॉड्यूलर स्किल प्रदान करता है: फ्रेमवर्क भावनात्मक बातचीत को एक पुन: प्रयोज्य कौशल के रूप में मानता है जिसे डिस्टिल, ट्रांसफर और रिफाइन किया जा सकता है, जो स्टैटिक प्रॉम्प्ट इंजीनियरिंग से आगे बढ़ता है।

लेखक अपनी सीमाओं के संबंध में विनम्रता बनाए रखते हैं, यह नोट करते हुए कि फ्रेमवर्क निश्चित ऑफलाइन ट्राजेक्टरीज पर निर्भर करता है (डिस्ट्रिब्यूशनल शिफ्ट का जोखिम), इष्टतम प्रदर्शन के लिए एक स्पष्ट इमोशन चैनल की आवश्यकता होती है, और अभी तक मानव-से-एजेंट इंटरैक्शन में मान्य नहीं किया गया है। वे अपने कार्य को उच्च-जोखिम वाले वातावरण में अधिक मजबूत, रणनीतिक स्वायत्त एजेंटों की दिशा में एक कदम के रूप में प्रस्तुत करते हैं।