SwarmBrain: 基于大型语言模型的即时战略游戏《星际争霸II》的具身智能体

Jan, 2024

SwarmBrain: 基于大型语言模型的即时战略游戏《星际争霸II》的具身智能体

SwarmBrain: Embodied agent for real-time strategy game StarCraft II via large language models

Xiao Shao, Weifu Jiang, Fei Zuo, Mengqing Liu

TL;DR研究使用大语言模型（LLM）来执行《星际争霸II》游戏中的实时战略任务的有效性，介绍了SwarmBrain，利用LLM在游戏环境中进行实时战略执行的体系代理，包括高级战略的Overmind Intelligence Matrix和基本单位操控的Swarm ReflexNet，实验结果显示SwarmBrain在经济增长、领土扩张和战术制定等方面具有能力，并能在与电脑对手的对抗中取得胜利。

Abstract

large language models (LLMs) have recently garnered significant accomplishments in various exploratory tasks, even surpassing the performance of traditional reinforcement learning-based methods that have historically dominated the agent-based field. The purpose of this paper is to inve

发现论文，激发创造

多智能体双向协调网络：在学习玩《星际争霸》游戏中出现人类水平的协调现象

本文以StarCraft战斗游戏为案例研究，介绍了一种名为Multiagent Bidirectionally-Coordinated Network (BiCNet)的协议，该协议采用了有向图网络和actor-critic学习方式，精准、高效地处理多智能体之间的通信和协作问题，实验结果表现优异，具备广泛的实际应用价值。

Mar, 2017

星际争霸 II：强化学习的新挑战

介绍了一种基于《星际争霸II》游戏的增强学习环境 SC2LE，通过使用该环境，可以探索深度强化学习算法和架构。

Aug, 2017

使用深度强化学习的星际争霸II模块化架构

本研究提出了一种新颖的StarCraft II AI模块化架构，其通过分配不同的模块控制游戏的不同方面（例如选址和策略），实现了独立或联合优化，并采用深度强化学习技术，通过自我对战进行训练，对六个模块中的两个模块进行训练，以94％或87％的胜率在Zerg vs.Zerg比赛中击败了“Harder （5级）”Blizzard bot，具有适用性及实用价值。

Nov, 2018

星际争霸多智能体挑战赛

本设计章介绍了 StarCraft Multi-Agent Challenge (SMAC) 作为实验问题，正式本测试环境可以提供一个标准的测试环境，并对deep multi-agent reinforcement learning 、partially observable cooperative multi-agent learning、单个传感器规则等领域进行询问和分析。

Feb, 2019

MineDojo：基于互联网规模知识构建开放式具身代理

介绍了建立于Minecraft游戏之上的MineDojo框架，该框架支持多任务目标环境，同时结合大规模的多模态知识库和灵活可扩展的代理架构，利用大规模的预先训练的视频语言模型作为学习奖励函数的新型代理学习算法，成功解决一系列无需设计的开放式任务。

Jun, 2022

MindAgent：新兴游戏互动

我们提出了一种新型基础设施，名为MindAgent，用于评估游戏交互中的规划和协调能力，并引入了新的游戏场景和相关基准，以评估多智能体协作效率。我们使用新的自动度量CoS进行全面评估。我们希望我们对大型语言语料库学习的LLMs以及用于通用调度和协调的新基础设施的发现能够揭示如何获取这些技能的一些见解。

Sep, 2023

神经MMO 2.0：多任务增强的大规模多智能体学习

Neural MMO 2.0是一个大规模多智能体环境，用于强化学习研究，主要特点是灵活的任务系统和程序生成的地图。

Nov, 2023

大型语言模型在星际争霸II中测试和一种摘要方法的链式

通过开发文本化的StratCraft II环境，利用大型语言模型代理实现游戏性能评估，研究表明大型语言模型代理在应对StarCraft II场景中具备相关知识和复杂规划能力，性能接近于玩了八年StarCraft II的普通玩家，并能够击败Harder(Lv5)的内置AI。

Dec, 2023

游戏代理与大模型的调查：方法、应用和挑战

在复杂游戏场景中，本篇论文通过系统分析和总结现有基于大型模型（LMs）和基于LM的Agent（LMAs）的体系结构、共性和挑战，提供了对LM在游戏中的应用现状的全面检视，并展望了其未来的研究方向。

Mar, 2024

基于大型语言模型的游戏智能代理调查

利用LLMs在复杂的电脑游戏环境中赋予游戏智能体人类般的决策能力，以推进人工智能(AGI)的发展，并提供了LLM基础的游戏智能体的综述，包括感知、记忆、思考、角色扮演、行动和学习的六个关键组成部分，调研了六种游戏类型的现有代表性LLM基础游戏智能体，并展望了未来的研究和发展方向。

Apr, 2024