May, 2023

询问行动前：基于语言模型的具身决策中信息的收集

PDF
TL;DR提出一种名为 “行动前询问”（Asking Before Action，ABA）的方法，利用自然语言引导大型语言模型（LLMs）在未知环境中主动查询外部知识，从而增强其效率和性能，实验证明该方法在 ALFWorld 等体验决策基准中表现出更好的性能。
large language modelsasking before actionefficiencyembodied decision makingexternal knowledge
发现论文，激发创造
  • 通过问答学习实体视觉导航和任务完成

    该研究提出一种名为 ELBA 的模型，以增强具有互动人类能力的代理，通过问答实现动态获取附加信息，以提高任务完成性能，并在 TEACH 视觉对话导航和任务完成数据集上进行了评估。

    Feb, 2023

  • 基于大型语言模型的不确定性分析和主动问询的交互式机器人动作规划

    通过提出交互式机器人行动规划方法，利用大型语言模型（LLM）进行分析并向人类提问以获取缺失信息，以减少生成精确机器人指令的设计成本，并通过烹饪任务的具体示例证明了方法的有效性，同时揭示了对 LLM 的机器人行动规划的挑战，如提问与问题相关性不高以及未经询问而假设关键信息，为将 LLM 应用于机器人学方面的未来研究提供了有价值的见解。

    Aug, 2023

  • 语言模型作为零 - shot 规划器：提取行动知识用于具身代理

    本文研究大型语言模型在互动环境中是否可以利用所学的世界知识来执行高层任务，并提出了一种条件方法，将语言模型生成的中级计划语义上翻译为合适的操作以提高执行性能。在 VirtualHome 环境中的实证评估结果表明，该方法在可执行性方面显著优于大型语言模型基线。

    Jan, 2022

  • 提问为前题：面向现实世界规划的积极语言代理

    这篇研究论文探索了大型语言模型在用户指令理解和决策方面的潜力，并提出了一种新的任务，即主动性代理规划。通过建立一个新的基准数据集和提出一个多代理框架，研究者验证了所提出框架的有效性。

    Jun, 2024

  • 从语言中训练 RL 代理程序查询外部知识

    本研究提出了基于非参数记忆、指针机制和情节式探索奖励的 AFK 代理，使其能够询问外部语言知识来帮助解决任务，大量实验证明 AFK 代理在挑战性的 Q-BabyAI 和 Q-TextWorld 环境中优于最近的基线。

    May, 2022

  • 智能基于代理的建模：关于在计算机模拟中使用大型语言模型

    通过将大型语言模型（LLMs）如 GPT 集成到智能智能体建模（SABM）中，我们在这篇综述性研究中阐明了 ABM 的现状，介绍了 SABM 的潜力和方法，并提出了三个案例研究，验证了其在模拟现实系统中的有效性，同时展望了 SABM 未来应用的广阔前景，旨在重新定义计算机仿真的边界，实现对复杂系统的更深入理解。

    Nov, 2023

  • KnowAgent：基于 LLL 的智能 Agent 的知识增强规划

    通过引入显式的行动知识，KnowAgent 为大型语言模型（LLMs）的规划能力提供了增强，实现了更合理的轨迹合成，从而提高了语言代理的规划性能。

    Mar, 2024

  • 通过查询回答学习可解释的动作模型的正确方法

    本文提出了一种新的方法，使用最少的查询界面，采用分层查询算法来生成询问策略，以估算黑盒自主智能体的可解释性实体模型，并使用谓词分类器学习代表状态的图像的规划智能体的可解释模型。经验证明，尽管可能存在无法搜索的潜在空间，但我们的方法允许对各种黑盒自主智能体进行正确和可扩展的估算。

    Dec, 2019

  • 通过提示工程探索大型语言模型和基于 Agent 的建模的交叉领域

    通过使用大型语言模型进行人际互动的模拟，本研究通过来自 Park 等人（2023）的启发，通过引入兴趣引擎技术，展示了两种可信的人类行为代理模拟：一种是两个代理人的谈判，另一种是六个代理人的谋杀迷游戏。

    Aug, 2023

  • 通過行動學習增強大型語言模型代理

    我们的研究探索了语言代理程序的开放式行为学习，在每一次迭代中，通过修正和更新当前可用的动作，从而提高动作的有效性，实验证明，这种开放式行为学习方法显著改善了代理程序的性能，突出了经验行为学习在更智能的大型语言模型代理程序发展中的重要性。

    Feb, 2024