Tachikuma:基于大语言模型理解多角色与新物体的复杂交互
计算与语言
2023-07-25 v1
摘要
自然语言与 Large Language Models (LLMs) 的近期进展使 AI 智能体能够在虚拟世界中模拟类人交互。然而,这些交互在复杂性与灵活性上仍受限,尤其在涉及多角色和新物体的场景中。在智能体世界模型中预定义所有可交互物体存在困难,且通过复杂交互向多角色传达隐含意图仍具挑战。为解决这些问题,我们受桌面角色扮演游戏(TRPGs)启发,提出将虚拟游戏主持人(GMs)整合进智能体世界模型。GMs 在掌控信息、估计玩家意图、提供环境描述和反馈方面发挥关键作用,弥补当前世界模型不足。为促进复杂交互的未来探索,我们引入名为 Tachikuma 的基准,包含基于多角色和新物体的交互估计(MOE)任务及配套数据集。MOE 挑战模型在涉及多角色与新物体交互的复杂语境中理解角色意图并准确判定其动作。此外,数据集捕获了游戏过程中实时通信的日志数据,为进一步探索提供多样、有据且复杂的交互。最后,我们给出简单提示基线并评估其性能,证明其在增强交互理解上的有效性。我们希望数据集与任务能启发自然语言复杂交互的进一步研究,推动更先进 AI 智能体的发展。
引用
@article{arxiv.2307.12573,
title = {Tachikuma: Understading Complex Interactions with Multi-Character and Novel Objects by Large Language Models},
author = {Yuanzhi Liang and Linchao Zhu and Yi Yang},
journal= {arXiv preprint arXiv:2307.12573},
year = {2023}
}
备注
Preliminary version of an ongoing work