Naukowcy zwrócili uwagę na problem niedetektowanych konfliktów po stronie użytkownika w interakcjach człowiek-LLM, gdzie kolejne wypowiedzi mogą implicite kolidować z wcześniejszymi intencjami, prowadząc do błędnych odpowiedzi. Dotychczasowe badania skupiały się głównie na konfliktach wynikających z ograniczeń samych modeli, a nie z niejasnościami w komunikacji użytkownika.
Zestawu UC-Bench służy jako benchmark do ewaluacji tego problemu i pokazał, że współczesne LLM-y mają trudności z wykrywaniem tego typu konfliktów, szczególnie gdy wynikają z domniemanych niezgodności pogłębionych w historii dialogu. Zespół badawczy zaproponował SynUC, metodę синтезу danych opierającą się na ograniczeniach, która modeluje niejawne incompatibilities między historycznymi i bieżącymi wypowiedziami użytkownika. Metoda wykorzystuje framework SPEAKING do kierowania transformacjami ograniczeń.
Pracownicy zastosowali SynUC do zbioru WildChat i stworzyli UC-Data - zestaw treningowy zawierający 2487 próbek konfliktów po stronie użytkownika. Wyniki pokazały, że model Qwen3.5-4B wytrenowany na UC-Data znacznie przewyższa większe modele ogólnego przeznaczenia w zadaniu detekcji takich konfliktów. To podejście ma praktyczne znaczenie dla budowy bardziej niezawodnych systemów dialogowych, które mogą proaktywnie wykrywać niejasnościach i prosić o wyjaśnienia zamiast generować potencjalnie niewłaściwe odpowiedzi.