介绍了一个名为 Arena 的多智能体通用评估平台，其中包含 35 个逻辑和表述多样的游戏，以及可视化的社会树和五种基本的多智能体奖励机制，为研究人员提供了一个易于发明和构建新的多智能体问题的建模工具包，还提供了五个最先进的深度多智能体强化学习基线的 Python 实现和一组我们可以使用不同的训练方案训练的每个游戏的 100 个最佳的代理 / 团队，作为评估群体表现的基础，以便研究人员可以在稳定和统一的标准下进行比较。

May, 2019

创建具备适应任意软件在任何数字设备上运行的自主虚拟代理人仍然是人工智能的一个重大挑战。为了解决这个问题，我们介绍了 AgentStudio，这是一个在线、逼真且多模态的工具包，涵盖了代理人开发的整个生命周期，包括环境设置、数据收集、代理人评估和可视化等。

Mar, 2024

本文回顾了基于游戏的平台在人工智能研究中的应用，讨论了这些平台的演化引起的研究趋势，并展望了未来的发展。

Apr, 2023

Humanoid Agents 是一个系统，通过引入 System 1 processing 的三个要素：Basic needs、Emotion 和 Closeness in Relationships，指导 Generative Agents 更像人类行为，能够使用这些动态元素来适应他们的日常活动和与其他 agents 的对话，并通过实证实验支持。

Oct, 2023

研究神经网络的泛化能力，通过 3D Unity 模拟环境测试网络在未见过的情况下的表现并发现了训练、环境的细节影响泛化能力，建议在网络训练时按照孩子多感官、多模态的观察方式输入信息。

Oct, 2019

最近在大语言模型（LLMs）的研究中取得的进展使得研究人员和开发者能够构建自主语言代理，通过自然语言界面自动解决各种任务并与环境、人类和其他代理进行交互。我们认为语言代理是通向人工通用智能的有希望方向，并发布了 Agents 这一开源库，旨在将这些进展开放给更广泛的非专业人士。Agents 经过精心设计，支持诸多重要功能，包括规划、记忆、工具使用、多代理通信和精细化符号控制。Agents 非常用户友好，因为它使非专业人士能够在无需太多编码的情况下构建、定制、测试、调优和部署最先进的自主语言代理。该库也非常友好于研究，因为其模块化设计使其易于研究人员进行扩展。Agents 库可在此 https URL 上获取。

Sep, 2023

本文认为模拟平台使得新型的具身空间推理得以实现，它由物体和事件语义的形式化模型所促进，这使得开放式、实时环境的连续定量搜索空间变得易处理。通过示例，本文说明了一种基于语义的人工智能系统如何利用游戏引擎提供的精确数值信息来执行关于物体和事件的定性推理、从数据中学习新概念、与人类进行交流以提高其模型并展示其理解。本文认为模拟环境，特别是游戏引擎，整合了许多不同的 “模拟” 概念和许多不同的技术，为开发机器和人类智能方面的人工智能系统和工具提供了高效的平台.

Feb, 2019

通过模拟 MMORPG 游戏和真实世界中的有限资源竞争环境，研究了大规模多智能体交互的学习和发展，实验表明，种群规模可以放大并刺激技能行为发展，产生优于小规模训练的代理人。

Mar, 2019

通过提出几个泛化的标准以及一种动态且自主的机制，本文介绍了如何在项目模拟智能代理中实现有意义的泛化，从而使代理可以学习和应对大量数据，配合一个基于非常简单的原则的基本的项目模拟模型和泛化机制，使我们能够全面分析代理的性能并展示它通过泛化的益处。

Apr, 2015

通过在虚拟 3D 环境中训练智能代理系统，使其能够在任何 3D 环境中遵循任意语言指令，这是创建通用人工智能的关键挑战。本文介绍了 Scalable, Instructable, Multiworld Agent (SIMA) 项目，该项目通过在不同类型的虚拟 3D 环境中训练代理系统来实现此目标，并在多样化的研究环境和商业视频游戏中取得了有希望的初步结果。

Mar, 2024