Call, Reward, Repeat: Advancing Dialog State Tracking with GRPO and Function Calling

2026

Толық мәтін Ашық қол жеткізу: Hybrid Метадеректер (CSL-JSON)
DOI 10.18653/v1/2026.eacl-srw.21
Деректер сенімділігі 70 орташа
Бұл баға қалай есептеледі

Ол жазбаның өзінің тексерілетін белгілерінен құралады: мақаланың DOI-і бар ма, оның деректерін қанша тәуелсіз дереккөз растады, міндетті өрістер толтырылған ба және соңғы растау қаншалықты жаңа. Дереккөздер арасындағы алшақтық пен идентификатордың болмауы бағаны төмендетеді. 80-нен бастап мән жазбаның қосымша тексерусіз жарияланғанын, 60-тан 79-ға дейін — оның сенімділігі төмен күйде жарияланғанын және қолмен тексеру ұсынылатынын білдіреді. Редактор қолмен тексерген жазбаны қайта есептеу 90-нан төмен түсірмейді. Бұл — мақаланың өзіне емес, ол туралы деректерімізге берілген баға.

Аңдатпа

Recent advancements in Large Language Models (LLMs) have notably enhanced taskoriented dialogue systems, particularly in Dialogue State Tracking (DST), owing to their generative capabilities and strong generalization.Although recent approaches such as LDST and FnCTOD significantly improved cross-domain DST performance via supervised fine-tuning (SFT), these methods typically require substantial amounts of domain-specific data.In this paper, we address this limitation by employing Group Relative Policy Optimization (GRPO)a critic-free reinforcement learning method that efficiently guides LLMs toward improved DST accuracy even under low-resource conditions.Our results on established DST benchmarks, including MultiWOZ 2.1 and 2.4, demonstrate that the RL approach achieves superior performance to existing methods while using significantly reduced out-of-domain training data.In addition, we found out that models pretrained specifically for tool-use tasks can be a better starting point, especially on small scales.