Feb, 2024

以基于语言模型的代码生成和行为分支为驱动的自由形式文本指令游戏智能体

PDF
TL;DR本研究提出了一种具有突破性的文本命令控制系统，用于能够理解以自由形式表达的自然语言命令的游戏代理，通过使用大型语言模型（LLM）进行代码生成以将自然语言命令解释和转换为基于行为树的行为分支的知识表示，从而促进游戏代理的执行。经过模拟宝可梦游戏的游戏环境中进行的实证验证和多参与者的参与，结果确认该系统具备理解和执行自然语言命令的能力，代表了实时语言交互式游戏代理领域的引人注目进展。
text command controlgame agentnatural language commandsbehavior treesreal-time language interactive game agents
发现论文，激发创造
  • 互动文本游戏的知识增强代理

    该文提出了一种通过注入领域知识的方式来改善基于文本游戏中的智能代理的实现过程，并考虑了多种不同的注入策略，包括知识图谱和输入编码策略的增强，实验结果在 ScienceWorld 文本游戏环境中得到证明。

    May, 2023

  • 正式 - LLM：将正式语言和自然语言整合为可控制的基于 LLM 的代理人

    该篇论文提出了一种名为 ``Formal-LLM'' 的新型框架用于基于 LLM 的代理，通过结合自然语言的表现力和形式语言的准确性，使规划过程具有控制性，从而防止代理生成无效和不成功的计划，并且通过实验验证了该框架在任务性能上取得的超过 50% 的整体性能提升，为在规划的有效性至关重要的应用场景中更广泛地利用 LLM 提供了可能性。

    Feb, 2024

  • 基于大语言模型的对话式生成自动驾驶仿真场景

    本文描述了一个支持扩展多模态交互的系统，通过使用大型语言模型 (LLMs) 将用户的英语语句映射到领域特定的代码，我们探索了 LLMs 在上下文敏感性方面捕捉演算发言者意图的程度。

    Oct, 2023

  • 文本游戏中的指令跟随学习

    研究文本游戏在强化学习环境下的指令正确率，设计使用 Linear Temporal Logic 结构化语言支持时间上下文语义的指令，通过文字游戏的实验验证该结构化语言指令的有效性和优越性。

    Nov, 2022

  • 自然语言作为策略：利用 LLMs 进行坐标级体验控制的推理

    我们展示了使用 LLMs 解决机器人动作规划问题的实验结果。与其它方法不同，我们的方法通过自然语言推理获取任务和场景对象的文本描述，并输出坐标级控制命令，从而减少中间表示代码作为策略的必要性。我们的方法在多模态提示仿真基准上进行评估，证明了自然语言推理改善成功率的潜力，并展示了利用自然语言描述将机器人技能从已知任务转移到以前未见任务的可能性。

    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

  • 基于探索的基于文本游戏的语言学习

    本文介绍一种采用探索和模仿学习的代理程序，能够在玩基于文本的电脑游戏时表现出最先进的性能。该方法使用 Go-Explore 探索方法以及模仿学习策略去训练模型，实现了更高效的解决文本游戏和更强的泛化能力。

    Jan, 2020

  • 自生成战争游戏 AI: 基于大型语言模型的双层代理任务规划

    这篇论文将较大的语言模型应用于智能决策领域，构建了一个以大语言模型为核心的代理体系结构，并通过自然语言的交互发布和执行决策命令，进一步进行仿真验证。通过游戏对抗模拟实验，发现大语言模型的智能决策能力明显优于常用的强化学习人工智能和规则人工智能，并且智能、可理解性和泛化性都更好。通过实验还发现，大语言模型的智能与提示密切相关。这项工作将大语言模型从人机交互扩展到智能决策领域，对智能决策的发展具有重要的参考价值和意义。

    Dec, 2023

  • 通过 LLMs 进行游戏生成：视频游戏描述语言的研究

    近期，大型语言模型的出现为过程性内容生成带来了新的机遇。这篇论文探讨了通过大型语言模型生成游戏的可能性，提出了一种基于视频游戏描述语言的大型语言模型框架，可以同时生成游戏规则和关卡。实验结果展示了这个框架如何根据不同的上下文进行生成，为过程性内容生成领域中的新游戏生成提供了新的见解。

    Apr, 2024

  • 通过生成和遵循自然语言指令进行分层决策

    使用自然语言隐式指令作为复杂动作的表达和组合，而不是直接选择微操作，本文基于 76,000 个自然语言指令和操作的数据集在实时策略游戏环境中训练模型，结果表明使用自然语言作为潜变量的模型在动作表达中的有效性显著优于直接模仿人类动作的模型，并且语言的组合结构对其有效性具有关键作用。同时提供了代码、模型和数据。

    Jun, 2019