本文提出一种通用的情境语言学习范式，旨在设计可靠的语言代理以能够与人类进行成功的合作。

Oct, 2016

通过增强和无监督学习，训练具备最少先验知识的机器人在仿真 3D 环境中理解自然语言指令，将语言符号与周围物理环境的感知表示和相关的行动序列联系起来，实现语言含义的压缩和提取，从而揭示出关于语言基于感知概念的本质和潜力。

Jun, 2017

本文结合环境学派及认知科学的现代理论，为大规模自然语言理解系统提供了一种基于生态语义学的方法，该方法利用了语境环境建构更为结构化的训练环境，使得模型能够较深入地理解、理解和使用语言的方法。

Mar, 2020

该研究通过基于大规模语言模型的情境感知评估新兴规划能力，提出了新的标准化评估方法、独特的数据集以及显示提示和多智能体方案能够显著提高上下文敏感规划任务性能的实证研究结果，旨在推进座位代理和自动规划研究领域，同时强调环境可靠性挑战和当前方法的应用前景和限制，促进针对座位代理的可靠目标导向推理的探索研究。

Dec, 2023

语言理解研究在未能将语言与其所描述的物理世界和所促进的社会互动相联系的情况下受到阻碍，因此现在的成功表示学习方法需要与涉及语言的更广泛的物理和社会背景的研究相结合来解决沟通的更深层次的问题。

Apr, 2020

采用 Deep Recurrent Q-Networks 框架和基于情境互动的交流为主要驱动力，让多个智能体在 Guess Who? 游戏中进行交互式图像搜索，实现了基于物理概念的单词编码，以及多步骤对话能力的学习。

Nov, 2016

基于 2D 迷宫世界，通过虚拟代理学习语言的模型，将语言的生成与理解与其他计算流程分离，从而成功地解决新单词出现的问题。模型可以解释人类可理解的中间输出结果，大幅优于其他五种比较方法。

Jan, 2018

自然语言解释、预训练语言模型、情境感知的自然语言解释、提示工程方法、自动化评估分数是本论文研究的关键词和主题。

Aug, 2023

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 “任务 & 告诉” 游戏，本文证明了虽然大多数机器发明的语言是有效的，但它们并不可解释或复合。由此发现自然语言并不会自然产生，为了达到人类一样的语言理解，需要增加通信的限制。

Jun, 2017