Mutable Transcripts: Mitigating Context Pollution through Editable Conversation State
作者: Dan Barry, Andrew Hines
分类: cs.AI
发布日期: 2026-09-25
备注: Accepted at NeurIPS 2026
🔗 代码/项目: GITHUB
💡 一句话要点
提出可编辑对话状态以缓解上下文污染问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 对话系统 用户意图 自然语言处理 可编辑对话 上下文管理 用户体验 动态交互
📋 核心要点
- 现有的聊天系统将对话历史视为静态记录，导致用户意图与上下文之间的不匹配，造成上下文污染。
- 本文提出可变转录的概念，允许用户通过自然语言请求修改先前的对话内容，从而动态更新对话历史。
- 用户研究结果显示，参与者对可变转录的偏好显著高于标准聊天，且能够减少对话长度和过时信息的保留。
📝 摘要（中文）
当前的大型语言模型（LLM）聊天系统将对话历史视为不可变的序列，这与用户意图的动态演变存在不匹配。为了解决这一问题，本文提出了可变转录（mutable transcripts），允许用户通过自然语言编辑请求修订先前的对话内容，从而更新对话历史。通过原型系统的用户研究，结果显示参与者对可变转录的偏好显著高于标准聊天，且在清晰度、自信心和易用性等方面表现更佳。这一研究为用户驱动的对话历史修订提供了初步证据，表明其能够提升交互质量并更好地反映用户意图。
🔬 方法详解
问题定义：当前聊天系统将对话历史视为不可变的序列，导致用户意图的动态变化无法得到及时反映，造成上下文污染和信息冗余。
核心思路：通过引入可变转录，用户可以直接编辑对话历史，允许对话内容的动态更新，从而更好地匹配用户的实时意图。
技术框架：该系统包括一个标准聊天界面，用户可以通过自然语言输入编辑请求，系统将解析并更新相应的对话内容，形成新的对话状态。
关键创新：可变转录的最大创新在于将对话历史从被动记录转变为可编辑的状态表示，允许用户主动参与对话内容的管理。
关键设计：系统设计中涉及自然语言处理技术用于解析用户的编辑请求，确保对话内容的准确更新，同时保持用户体验的流畅性。具体的参数设置和网络结构细节尚未公开。
🖼️ 关键图片
📊 实验亮点
用户研究显示，参与者在使用可变转录时在清晰度、自信心和易用性等方面的评分显著高于标准聊天，且减少了重新开始对话的意图。此外，转录分析表明，可变转录能够有效缩短对话长度，消除过时的上下文信息。
🎯 应用场景
该研究的潜在应用领域包括智能客服、在线教育和社交聊天机器人等，能够显著提升用户交互体验，减少信息冗余，帮助系统更好地理解和响应用户的动态需求。未来，这一方法可能会在更多人机交互场景中得到广泛应用。
📄 摘要（原文）
Contemporary large language model (LLM) chat systems treat conversation history as an immutable sequence of turns that defines the model's working context. However, user intent in real interactions is not static: it evolves through correction, refinement, and shifting constraints. This mismatch between dynamic intent and static transcripts can result in context pollution, where outdated or irrelevant information persists and continues to influence subsequent responses. We introduce mutable transcripts, a new interaction paradigm that enables users to revise prior turns through natural language edit requests, allowing the conversation history itself to be updated rather than appended. This reframes the transcript from a passive record into an editable representation of conversational state. We present a working prototype that integrates transcript-level revision into a standard chat interface and evaluate its feasibility through a controlled user study (n=17) and an illustrative transcript analysis of representative interaction scenarios. Participants significantly preferred mutable transcripts over standard chat across measures of clarity, confidence, and ease of use, with reduced intent to restart conversations. Transcript analysis of representative user study conversations shows that mutable transcripts can reduce conversation length and eliminate obsolete retained context. These findings provide initial evidence that user-driven revision of conversational history can improve interaction quality and help maintain a more current representation of user intent. The source code and prototype can be accessed at https://github.com/QxLabIreland/ReChat