Generative Interfaces for Language Models

大语言模型（LLMs）正日益被视为助手、副驾驶和顾问，能够通过自然对话支持各种任务。然而，大多数系统仍然受限于线性的“请求-响应”模式，这使得在多轮对话、信息密集型和探索性任务中，交互效率往往不高。为了解决这些局限，我们提出了“生成式语言模型界面”这一范式，即大语言模型通过主动生成用户界面（UI）来响应用户的查询，从而实现更灵活和互动的体验。我们的框架利用结构化的界面专用表示和迭代优化机制，将用户查询转化为特定任务的用户界面。为了进行系统评估，我们引入了一个多维度的评估框架，从不同任务、交互模式和查询类型出发，比较生成式界面与传统基于聊天的界面在功能性、互动性和情感体验方面的表现。结果显示，生成式界面的表现始终优于对话式界面，在超过70%的案例中用户更倾向于使用生成式界面。这些发现阐明了用户在何时以及为何更偏爱生成式界面，为未来人机交互的发展指明了方向。

论文试图解决当前大型语言模型（LLMs）在多轮、信息密集和探索性任务中交互效率低下的问题。传统线性请求-响应模式限制了用户与模型之间的互动性和适应性，这是一个在当前人机交互领域日益凸显的问题。

论文提出了一种新的交互范式——生成式界面（Generative Interfaces for Language Models），让LLM主动生成任务特定的用户界面（UI），从而支持更灵活、更具适应性的交互体验。相比当前研究，该方法强调模型不仅输出文本，还能生成结构化界面元素，提升任务完成效率与用户体验。

1. 提出了一种基于结构化界面表示和迭代优化的生成式界面框架 2. 引入一个多维度评估体系，系统比较生成式界面与传统对话式交互的优劣 3. 实验结果显示超过70%的用户更偏好生成式界面，表明其在功能性、交互性和情感层面的优势 4. 为未来人机交互设计提供了新的方向，尤其是在任务导向型AI系统中

1. Language Models as Agents (2023) 2. ChatGPT as a General-Purpose Interface (2023) 3. Toolformer: Language Models Can Use External Tools (2023) 4. Interactive Language: Talking to Language Models as a Design Paradigm (2022) 5. Plan-and-Solve Prompting: Improving Zero-Shot Reasoning by Decomposing Problems (2023)