该论文介绍了一种通过扩展语言模型来实现生成代理的架构，生成的代理在交互中呈现出能够模拟真实人类行为和社交的表现。

Apr, 2023

利用 Lyfe Agents 实现了高度自治生成智能代理，能够在虚拟社会中模拟复杂的社交行为，并能以低计算成本与人进行实时互动，通过自主协作和信息交流解决犯罪等问题，同时比现有替代方案的计算成本低 10-100 倍。

Oct, 2023

本研究考虑将行为规则、奖励和人类示范化为生成 AI 代理即程序化人物角色，以模拟人类玩家的游戏体验，通过 Go-Explore 强化学习方法来训练人类化的代理，其结果显示生成的代理呈现出人类玩家的不同游戏风格和体验响应，同时对玩家体验的考虑，能够更好地推动行为探索。

Aug, 2022

该论文提出了一个现有模拟平台的新分类法，并探讨了通用平台的最高级别类，这些平台可以开发具有丰富的可视化、物理、任务和社交复杂性的学习环境。作者认为，现代游戏引擎非常适合作为通用平台，并以 Unity 引擎和开放源代码 Unity ML-Agents Toolkit 为案例研究。接着，作者调查了 Unity 和 Unity ML-Agents Toolkit 所支持的研究，讨论了灵活、交互和易配置的通用平台可以促进哪些研究。

Sep, 2018

构建和测试人类智能水平的机器是一项具有重要经济激励的科学大挑战，我们介绍了我们的方法，包括物理人形机器人系统、基于软件的控制系统、衡量人形机器人智能的性能指标 g + 和用于逐步提高该性能指标得分的进化算法，并报告了该系统的 g + 指标的当前和历史测量结果。

Jul, 2023

通过使用模拟训练和自我影子技术，本文介绍了一个全栈系统，使得机器人能够通过人类数据学习运动和自主技能。

Jun, 2024

通过与类 ChatGPT 的大规模语言模型连接，利用基于生成的人工智能的代理人疫情模型，使每个代理人能够自主理解和决策，从而将人类行为纳入疫情模型，本研究开创可能改善动态系统建模的潜力，为代表人类大脑、推理和决策方式的建模提供一种方法。

Jul, 2023

通过虚拟环境中的交互式训练、行为测试和逆强化学习技术，实现了大规模人类行为模仿，提高了人工智能代理的交互能力，并成功解决了代理评估方面的挑战。

Dec, 2020

通过使用过程生成的三维动画构建了一个基准测试，并通过人类评分验证了该基准测试，结果表明，要在人类水平上通过基础直觉心理学的设计测试，模型必须获得或具有代理计划的内置表示，该测试结构围绕四个场景，并比较了两个强大的基线建立在贝叶斯逆规划和心灵理论神经网络上。

Feb, 2021

本文介绍了一种交互式的 “体现代理” 系统，它具有适应性，能够有效地处理自然语言指令，并提供反馈。同时，还介绍了一种用于收集有关该系统的大量文本指令的众包工具，以及该系统具有学习能力的数据集和基线模型。

May, 2023