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

本文讨论了构建具有社交交互能力的具体化自主智能体是人工智能面临的主要挑战之一，并指出了目前在具体化语言使用方面的研究方向存在的局限性。作者认为，实现人类水平的人工智能需要更广泛的关键社交技能。最后，通过实验研究了一种近期最先进的深度强化学习方法的局限性。

Apr, 2021

本篇论文提出了一项名为标准化测试套件的评估方法，通过从真实人类交互数据挖掘行为场景，重播情境，让代理人控制从而完成离线交互，利用人类标注记录的代理人传承中的成功率排序，实现快速、可控、可解释、代表自然交互的评估。此方法有望加速智能代理人与人类自然交互的研究进展。

May, 2022

本文介绍了利用自然语言任务进行协作的实体代理模型，发展出了可扩展的数据收集工具，并采集了互动立足语言理解的第一个数据集，以便进一步研究机器模拟人类智能适应新任务与环境的能力。

Nov, 2022

探索交互式人工智能与人类协作的方向，研究在基于Minecraft世界的交互式语言理解任务中，人类可以提供哪些类型的辅助帮助，以提高AI行为的性能和表现。

Apr, 2023

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

本研究采用语言建模方法，在Minecraft数据集的协作建筑任务中进行多模态任务理解和任务导向对话理解任务，以提高AI系统的语感，实现更好的人机互动。实验结果表明，我们的方法具有更大的优势和应用潜力。

Jun, 2023

通过将OpenAI的ChatGPT与具身智能系统相结合，本研究评估了它对交互式决策基准的影响。我们引入了InterAct的概念，将ChatGPT赋予多个角色，如检查员和分类员，并与原始语言模型进行整合。我们的研究在AlfWorld中展示了惊人的98%成功率，该环境模拟了一个家庭环境中的6个不同任务，强调了有效的提示工程的重要性。结果突显了ChatGPT在理解和高效完成复杂任务方面的能力，为任务规划的进一步发展铺平了道路。

Aug, 2023

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

通过语言建模，本研究旨在提高Minecraft数据集中群体构建任务的任务理解，这些模型集中于基于多模态理解和任务导向对话理解任务，展示了比现有方法大幅改进的实验结果，为未来研究指明了一个有前景的方向。

Feb, 2024