提出自动内在动机代理 (autotelic agents) 的 Vygotskian 模型，通过对话语言和实体环境交互学习，实现自我生成目标和内化交互成为认知工具，进而形成人工认知功能，从而推进社会化学习的人工智能研究应用前景。

Jun, 2022

本文研究通过使用图神经网络的不同策略表示和两种目标空间，即基于几何或基于谓词的，对自我目标代表和设置的兴趣驱动智能体的学习和转移能力的影响，并表明这种方法有助于实现更困难的目标学习。

Apr, 2022

通过自适应子目标树将高级目标细分为实用的子目标，自我目标（SelfGoal）显著提高了语言代理在竞争性、合作性和延迟反馈环境中的性能。

Jun, 2024

该研究论文旨在探讨发展性机器学习方法，通过模仿儿童利用语言描述目标实现创造性发现和开放式的学习过程中的能力，提出了一种叫做 IMAGINE 的深度强化学习框架，并研究了其泛化和探索能力，以及目标想象、模块化和社交互动等因素对其结果的影响。

Feb, 2020

本文研究了基于自主目标选择和组织学习计划框架下，语言对于自主学习的重要性，提出了三个开放式科学问题：社交互动中反事实反馈的影响，学习过程中来自稀有语言目标的重采样，以及多种探索方式的结合。通过实验表明，社交互动中反事实反馈的精选对自主学习结果的提高具有决定性作用；在学习过程中，重采样来自稀有语言目标的例子有助于学习；在自主生成目标时，选择具有中等难度的目标可以显著提高最终的表现。

Feb, 2023

使用大型语言模型作为高级控制系统，在航天器的设计和开发中通过利用语言模型作为推理引擎，评估该架构在实现更高级别航天器自主性方面的效用。

Apr, 2024

大型语言模型（LLMs）正在改变人工智能，使得自主代理能够在不同领域执行多样化任务。这些代理具备类似人类的文本理解和生成能力，有望在从客户服务到医疗保健等各个领域引发革命。然而，它们面临着诸如多模态、人类价值取向、幻觉和评估等挑战。推动、推理、工具利用和上下文学习等技术正在被探索，以增强它们的功能。像 AgentBench、WebArena 和 ToolLLM 这样的评估平台为在复杂场景中评估这些代理提供了强大的方法。这些进展正在引领更加有韧性和能力的自主代理的发展，预计它们将成为我们数字生活中不可或缺的一部分，协助我们完成从邮件回复到疾病诊断等任务。拥有 LLMs 带头的人工智能的未来充满了希望。

Apr, 2024

我们开发了一种简单直接的方法，可以创建能够执行多种计算机任务并通过开发工具和扩展自身能力来自我改进的 AI 计算机代理。

Apr, 2024

大型语言模型（LLMs）显示出它们在人类世界的丰富语义知识方面的强大自动推理和规划能力。然而，接地问题仍然阻碍了 LLMs 在真实环境中的应用。为了自主将 LLM 接地到环境中，我们提出了自主驱动接地（SDG）框架，用于自动和渐进地通过自主驱动技能学习将 LLM 接地。通过在著名的指令遵循任务集 - BabyAI 中进行验证，SDG 在最具挑战性的任务中达到了与成百上千次演示成本的模仿学习方法相媲美的性能，证明了学习到的技能的有效性，显示出我们框架的可行性和效率。

Sep, 2023

通过在复杂环境中使用 WebArena 基准测试，我们探索了大语言模型在长期任务中作为代理人自我提升性能的程度，通过自我改进的方式，在三种不同的合成训练数据混合情况下，我们实现了在 WebArena 基准测试中任务完成率的 31％提高，并额外提供了用于评估我们精调代理模型的性能、鲁棒性、功能和轨迹质量的新型评价指标。

May, 2024