本研究旨在提高主动对话策略在动态用户交互中的自然性和实用性，特别关注非合作用户行为，提出一种名为 I-Pro 的新解决方案，在学习目标权重方面有所创新，并在实验中取得了显著的效果和可解释性。

Apr, 2022

本文探讨了基于预训练语言模型的 AI 系统在协作问题上的行为，并通过众包和模型生成场景进行评估和测试，最后提供了一组生成场景的数据集和模型评估结果。

Mar, 2023

通过研究 negotiation environment 中不同类型 agent 之间的交互过程，以及不同类型 agent 是否会进行 cheap talk，作者探讨了 cooperation 在语言产生中的必要性问题。

Apr, 2018

本文中，我们介绍了一种基于任务导向对话模型的非协作式对话模型，该模型使用一种分层意图注释方案来处理社交内容并设计了一种过滤器来筛选生成的回复，我们在两个非协作式任务数据集上测试了我们的模型，结果表明它优于多个基准模型。

Nov, 2019

本文提出一种基于理论智能和自适应强化学习算法的合作式多智能体情境下的通讯协议，使得智能体可以在没有显式设计规则的情况下自发地学习 “读懂人心”，实现了语用学的概念在多智能体通讯系统中的有效应用。

Jan, 2020

我们在这项工作中强调了复杂对话目标的多方面性质，并认为通过全面考虑和共同促进其不同方面来完成它们更具可行性。为此，我们提出了一种新的对话框架 Cooper，它协调多个专门的代理人，每个代理人专注于特定的对话目标方面，以达到复杂的目标。对说服和情感支持对话的实验证明了我们的方法优于一组竞争对手基线的优越性。

Dec, 2023

本文提出一个基于神经网络的对话模型，用于协同解决局部可见参考游戏。该模型通过结构化的参考解析器精准地理解对话内容，利用递归记忆处理复杂任务并采用合理的生成策略，大幅提高了任务完成率。实验结果表明，该模型相对于同领域前沿技术取得了显著的性能提升。

Sep, 2021

提出了 TRIP 用于增强定制战略规划的能力，通过引入用户感知的战略规划模块和基于人口统计的训练范式，解决了现有对话代理面临的两大挑战：无法将用户特定特征纳入战略规划以及无法对多样化用户进行泛化训练。通过在标准的非合作对话任务上进行实验，证明了 TRIP 在迎合多样化用户方面的有效性。

Mar, 2024

本文提出了一种基于多智能体交互通信的语言学习框架，在指代游戏的上下文中研究了这种学习方法，通过联系人工智能代理人彼此通信以识别随机图像，在通过调整游戏环境来提高代理人交流的自适应语言结构，并为代理人的代码提出简单的系统，从而使其更好地恰当地通信，并能更有效地与人类沟通。

Dec, 2016

通过实验，本研究发现大型语言模型能够在一定程度上将自然语言描述的利他主义和自私行为转化为适当的行为，但在适应有条件回报的情况下存在局限性，特别是在社会困境的一般人类行为模式方面存在潜在限制。研究呼吁进一步探讨大型语言模型生成的代理在更广泛的社会困境中自动生成行为的因素，探讨模型架构、训练参数和各种合作伙伴策略对代理行为的影响，最终促进更符合人类价值和社会规范的人工智能系统的发展。

May, 2023