本文介绍 Ak，作为 A 行动描述语言的一个扩展，能够处理影响知识的行动，包括感知行动和非确定性行动，同时在假设推理的查询语言中包括条件和循环的复杂计划，并提出了 Ak 域描述到认识逻辑程序的翻译。

Apr, 2004

提出了一种多代理认知规划的表示语言，解决了现有编译成经典计划所面临的各种限制，包括只能生成线性计划、限制公共行动和无法处理分离信念等问题。

Jun, 2018

本研究提出多阶段自适应潜在动作学习（MALA）方法，通过区分话语对对话推进的影响来学习语义潜在动作，解决了最近研究中基于话语词汇相似性学习潜在动作的各种语言表面差异问题，实验结果表明该方法在任务完成和语言质量方面均取得了显著改进。

Dec, 2019

本文综述了在视觉和语言领域中，关于 “行动与变化推理” 的先前研究任务、基准数据集、各种技术和模型以及它们的表现。最后，我们总结了我们的主要收获，讨论了当前这个研究领域面临的挑战，并概述了未来研究的潜在方向。

Jul, 2022

Ada 使用语言模型从任务通用的背景知识中自动构建特定任务的规划表示，通过与其他使用语言模型进行顺序决策的方法相比，在两个基准任务上表现出更准确的计划和更好的任务复杂性泛化能力。

Dec, 2023

本文介绍了一种使用深度循环多智能体演员 - 评论家框架（R-MADDPG）处理部分可观测设置和有限通信下多智能体协调的方法，并探究了循环效应对团队智能体表现和通信使用的影响。研究结果表明，该框架可以学习随时间变化的依赖关系，处理资源限制，并在智能体之间开发不同的通信模式。

Feb, 2020

对于动态环境、互动场景和常识推理等任务，大型语言模型在对行为和变化的推理方面面临着重要的挑战，因此引入了一个新的 ActionReasoningBench 基准来评估大型语言模型在行为和变化推理的八个不同领域上的性能。我们的结果表明，这些模型在基准中的所有类别都面临着重大挑战。

Jun, 2024

本文提出了一种新方法，利用场景图像来推理自然语言中描述的行为的影响，并在现有的 CLEVR_HYP (Sampat et.al，2021) 数据集上进行了实验，显示出与现有模型相比，该方法在性能，数据效率和泛化能力上都具有有效性。

Dec, 2022

通过使用编码器 - 解码器架构、模态分析器和场景图问题解答模型，我们提出了一种新的学习策略，可以提高关于行动效果的推理能力，并在 CLEVR_HYP 数据集上对我们的系统进行了评估。

Dec, 2022

该研究提出了一种基于深度多智能体强化学习方法，即 Simplified Action Decoder（SAD），它通过利用集中式训练阶段解决了训练过程中策略非常难以观察的问题，从而在 Hanabi 挑战赛的部分元素中，建立了一个新的 SOTA，提高了理解其他网络的能力。

Dec, 2019