介绍了基于Schema Network的智能体框架，该框架能够从数据中学习环境动态，具有学习因果关系和从有限数据中泛化的能力，并在Breakout游戏中进行了效率和泛化实验。

Jun, 2017

本论文提出了一种使用高维场景观察和低维行为观察来学习端到端的泛用性应急计划器的方法，并使用多智能体场景下的逼真飙车模拟实验验证了它的有效性。

Apr, 2021

本文研究了如何在稀疏交互的情形下，通过学习从感官输入中生成世界模型的方法，提高在具有许多物体的环境中的运动样本效率。我们提出了一种称为变分稀疏门控的潜在动力学模型和简化架构，并在具有大量移动对象和部分可观测性的BringBackShapes环境中进行了评估，表明这种方法可以优于之前的模型。

Oct, 2022

本研究使用大型语言模型(Large Language Models, LLMs)作为规划师，以完成视觉感知环境中的复杂任务的具有身体接口的代理人。研究提出了LLM-Planner方法进行few-shot planning，同时提出通过物理接口增强LLMs的简单而有效的方法，实验结果表明该方法在ALFRED数据集上能够取得与使用全数据训练的基线模型相当的性能。

Dec, 2022

利用大型语言模型作为控制器连接各种人工智能模型的HuggingGPT，可以解决不同领域和模态下的人工智能任务，为人工智能的通用智能迈出了新的一步。

Mar, 2023

本文是第一篇关于利用大规模预训练语言模型（LLMs）进行科学模拟的研究，聚焦于四个建模和模拟任务，分别评估LLMs的预期优势和局限性，并为模型构建者提供实用指南，包括解释概念模型结构、总结模拟输出、通过文本传达模拟可视化洞见以及解释模拟错误并提供解决方案。

Jun, 2023

通过在Maniskill2基准测试中提出的新型两阶段微调策略，我们展示了我们方法的有效性，并在ManiSkill2挑战的所有三个赛道中获得第一名，突出了我们方法提高体验式人工智能模型的泛化能力的潜力，为其在实际场景中的实际应用铺平了道路。

Jul, 2023

基于图神经网络 (Graph Neural Networks) 的优化和学习动态尚未被广泛探索，本研究通过分析图注意力网络 (Graph Attention Network) 提出的保守定律解释了标准初始化中参数变动困难的现象，并提出了一种初始化方案来平衡图注意力网络，使得深层网络更易于训练并加速收敛速度。

Oct, 2023

在本研究中，我们提出了一种创新方法 GATGPT，它将已训练好的大型语言模型（LLM）与图注意机制相结合，用于时空插补。我们保持大部分LLM参数不变，以利用现有知识学习时间模式，并针对不同应用程序调整上层的微调。图注意组件增强了LLM理解空间关系的能力。通过对三个真实世界数据集的测试，我们的方法表现与已建立的深度学习基准相当。

Nov, 2023

提出了一种利用Large Language Models（LLMs）来改善基于任务规划中推理能力的经典规划算法固有限制的系统AutoGPT+P，该系统结合了基于行动能力的场景表示和规划系统，并能够在自然语言中为用户指定的任务推导和执行计划。

Feb, 2024