ToM2Vec:面向多智能体协作的连续心智理论 token
ToM2Vec 通过固定预算的连续推理 token 学习多智能体协作中的心智理论,并以合作伙伴的真实想法作为训练监督。在 Overcooked-AI、多方谈判、Decrypto、Hanabi 和 Collab Escape/Capture 等合作、竞争与混合动机环境中,相比基础模型和多种竞争性基线取得稳定提升。
推荐理由:文章把心智理论压缩进固定数量的连续推理 token,并用合作伙伴的真实想法做监督,和文本推理的做法形成对照。
技术方向
能在游戏里行动的 AI:通用游戏智能体、LLM 驱动的 Bot、Minecraft 与 StarCraft 等环境里的智能体、评测基准与开源框架。
111 条精选近 30 天 55 条共收录 170 条
ToM2Vec 通过固定预算的连续推理 token 学习多智能体协作中的心智理论,并以合作伙伴的真实想法作为训练监督。在 Overcooked-AI、多方谈判、Decrypto、Hanabi 和 Collab Escape/Capture 等合作、竞争与混合动机环境中,相比基础模型和多种竞争性基线取得稳定提升。
推荐理由:文章把心智理论压缩进固定数量的连续推理 token,并用合作伙伴的真实想法做监督,和文本推理的做法形成对照。
Fig 是一个智能体系统,可在游戏环境中有针对性地施加干预,以诱发合作、利用、欺骗、暗中协调、背叛和破坏六类目标行为。论文称,在 Fig 生成的有效场景中,模型平均在 45.2% 的回合中尝试了目标行为;对有对照的游戏与行为组合,干预使尝试率平均比匹配对照游戏高 10.9%。作者认为多智能体环境可作为可编程、可控且可复现的行为评测测试床,代码已在 GitHub 公开。
推荐理由:它把多智能体社会行为评测从被动观察转为可编程的环境干预,对想设计可复现测试环境的研究者有参考价值。
论文通过 120 组训练配置,系统研究了持续预训练中数据量、多样性和模型规模对具身智能体的影响,模型规模覆盖 0.8B 到 27B。研究发现,多样性能提升对相关世界的迁移效果,但对差异较大的世界增益有限;模型规模能提高数据效率,但在单一世界训练下对远距离世界的泛化更差。作者认为,要构建通用具身智能体,还需要比持续预训练更丰富的训练阶段。
推荐理由:论文用 120 组配置对比数据量、多样性与模型规模的影响,结论是跨世界迁移收益有限,可作为游戏智能体训练路线的参照。
CHSM8 是一个 210M 参数的国际象棋 Transformer,可以根据“西西里防御”或“稳健保守”等自由文本风格描述来选择走法。在未使用搜索的前提下,它对强度受限的 Stockfish 达到 1837 Elo,并经监督微调与 DPO 提升了风格遵循度,例如早期换后比例从 53% 提升到 67%。论文同时公开了权重、带训练标签的数据集、提示词、配置和推理代码。
推荐理由:论文公开了权重、数据集、提示词与代码,并记录了失败的消融实验,便于复现和借鉴其训练流程。
论文提出 KPHarness,通过知识与探查协同演化改写冻结 VLA 的外部执行外壳,使其不仅更换干预规则,也改进调查失败的方式。在 Minecraft 的挖掘、战斗和合成任务上,其任务覆盖优于纯策略执行、人工指定的固定外壳,以及只有知识演化、探查不自适应的版本;每次外壳修订都在匹配的沙盒条件下与现有版本成对评估,只有显示提升才被接受。
推荐理由:论文给出把失败诊断证据接入执行外壳改造的做法,并与固定外壳和仅有知识演化的基线做了对照。
研究者用SpireBench让20个大模型在《杀戮尖塔》A20难度下完整挑战10个新种子,200局中仅GPT-5.6 Sol通关一次。与4位高手主播对比,AI在第一幕平均只打约0.9—1.4场精英战,主播约为2.6场,AI在57%—75%的营火选择回血,高手约为9%。仅以第一阶段计,表现最好的模型已接近顶尖高手水准,但长期战略能力仍有明显差距。
推荐理由:文章把大模型的失败原因归结为过度稳健,并用高手主播的逐局数据做对照,便于理解模型在长期资源管理上的具体短板。
研究者提出 SPOKE(Strategic Preference Optimization with KL-anchored Equilibrium)方法,在 SmallThinker-4B-A0.6B 策略的三次运行中,它在 Kuhn 和 Leduc 上取得最低平均可利用度 0.213 和 1.081,六人桌 top-1 一致率为 0.775。
推荐理由:论文把 SPOKE 与 SFT、DPO、GRPO、GSPO 放在一起做了比较,并给出在 Kuhn 和 Leduc 上的平均可利用度数值,读者可据此判断该方法与其他策略优化方法的差异。
Meta 正在重新成为游戏行业的重要买量渠道,其社交媒体游戏广告展示份额在 2025 年从 54% 升至 69%。与此同时,其 VR 游戏与 Horizon UGC 业务被明显降低优先级,VR Glasses 发布时对游戏只用一句话带过。文章还认为,Muse 这类个人智能体可能改变玩家发现游戏和游戏内购买的方式,但它与游戏的直接联系目前尚不明确。
推荐理由:文章把 Meta 买量能力的回升与 VR 业务的收缩放在一起看,为判断游戏买量渠道的走向提供了一条清晰线索。
CHSM8 是一个 210M 参数的国际象棋 Transformer,可以根据“西西里防御”或“稳健保守”等自由文本风格描述来选择走法。在未使用搜索的前提下,它对强度受限的 Stockfish 达到 1837 Elo,并经监督微调与 DPO 提升了风格遵循度,例如早期换后比例从 53% 提升到 67%。论文同时公开了权重、带训练标签的数据集、提示词、配置和推理代码。
推荐理由:论文公开了权重、数据集、提示词与代码,并记录了失败的消融实验,便于复现和借鉴其训练流程。
Mirror 是一种自监督方法,无需先验动作数据或手写奖励,通过与环境交互学习视频到动作的映射。在 Atari、OGBench 和 DeepMind Control 上,它以学到的视频计划超过了基于观察学习的主流方法;在 Minecraft BASALT 上,它超过了可使用专家动作或手工任务知识的方法。在 Minecraft 生存任务中,它仅靠自我改进就获得了铁镐,不依赖奖励或专家动作标签。
推荐理由:它不依赖人工动作标注和手写奖励,让视频规划模型能够转化为可执行的智能体策略,适合关注视频模型与智能体结合的读者。
Mirror 是一种自监督方法,无需先验动作数据或手写奖励,通过与环境交互学习视频到动作的映射。在 Atari、OGBench 和 DeepMind Control 上,它以学到的视频计划超过了基于观察学习的主流方法;在 Minecraft BASALT 上,它超过了可使用专家动作或手工任务知识的方法。在 Minecraft 生存任务中,它仅靠自我改进就获得了铁镐,不依赖奖励或专家动作标签。
推荐理由:它不依赖人工动作标注和手写奖励,让视频规划模型能够转化为可执行的智能体策略,适合关注视频模型与智能体结合的读者。
论文提出一种基于棋类引擎评估的自动指标,发现当前主流语言模型解释国际象棋走法的表现明显偏弱,常依赖棋盘表面特征。提出的 BinProp 是无需训练的方法,使同类模型能发现可复用的棋类概念,平均得分接近直接提示的三倍。同一方法在围棋、国际跳棋和将棋中也能发现有用概念,且无需额外调参。
推荐理由:方法无需额外训练,就能让语言模型发现可复用的棋类概念,对理解引擎走法的解释思路有参考价值。
研究者围绕围棋中 atari 与 sente 的关系构建了一套可控评测集,用来检验语言模型能否识别这些术语并把它们与着法评估联系起来。测试对象是经术语与解说数据监督微调后的围棋语言模型 LoGos,结果显示它难以识别 atari 关系的变化,也难以判断这一变化的战略含义。
推荐理由:作者用可控的棋盘局部改动分离术语识别与着法评估,为检验语言模型能否把领域术语落到具体局面提供了可复用的测试思路。
四个 Gemini 4 Argon 智能体在 Minecraft 生存世界中自主协作,用时 27 小时 14 分钟击败末影龙。团队在简易难度的随机世界中编写了 2,783 个程序,期间死亡 605 次,研究人员可实时观看并随时暂停,但未需要介入。据作者所知,这是 AI 智能体首次端到端自主通关 Minecraft,且仅使用标准 Mineflayer 库,未使用人工预设的地图种子或游戏专用工具。
推荐理由:论文记录了四个智能体在无人设计游戏逻辑的情况下通关Minecraft的过程,其分工、经验共享与长时程规划可作参考。
论文提出 MFM 多模态文件系统记忆架构,把情节记忆、空间记忆、语义与程序性记忆以及工作记忆分开存放,并用可检索的文本记录把这些表示与底层多模态片段连接起来,智能体可凭上下文线索找到过往经历并回看原始观测以补回文字描述缺失的细节。
推荐理由:论文交代了记忆分层与文本检索回连原始片段的设计,并给出三种基座模型在 Minecraft 与电脑操作任务上的对比。
四个 Gemini 4 Argon 智能体在 Minecraft 生存世界中自主协作,用时 27 小时 14 分钟击败末影龙。团队在简易难度的随机世界中编写了 2,783 个程序,期间死亡 605 次,研究人员可实时观看并随时暂停,但未需要介入。据作者所知,这是 AI 智能体首次端到端自主通关 Minecraft,且仅使用标准 Mineflayer 库,未使用人工预设的地图种子或游戏专用工具。
推荐理由:论文记录了四个智能体在无人设计游戏逻辑的情况下通关Minecraft的过程,其分工、经验共享与长时程规划可作参考。
Player-1 是一个后训练框架,通过合成经验让游戏智能体学习超出演示数据范围的游戏操作。在 MineDojo-300 上,Player-1-9B 和 Player-1-35B-A3B 相比各自的 SFT 策略分别提升 27.8 和 17.7 个百分点,其中 Player-1-9B 成功率达到 38.33%,最强对比基线为 12.63%。
推荐理由:这篇论文把游戏智能体的训练从大量演示数据扩展到16个合成环境中的强化学习,可用来对照理解摆脱演示依赖的思路。
论文认为,多智能体协作中依据队友推断行动的模块不应只用准确率认证,因为错误的代价和错误之间的相关性会改变可接受的准确率门槛。作者在任务分配、Level-Based Foraging 和 Hanabi 中测试了这一判断,发现准确率在两个方向上都会失效,例如在错误会叠加的 Hanabi 中批准了有害的语言模型部署。
推荐理由:论文把心智理论模块的认证标准从预测准确率转向部署代价与错误依赖性,对评估协作式 AI 能否上线有直接的参考价值。
论文提出概念锚定世界模型 CGWMs(Concept-Grounded World Models),用时序逻辑表达的完整知识从观测中学习可解释的概念表示,而非黑箱表示。规划被表述为可微推理,通过梯度上升优化智能体动作以满足目标。在两个游戏环境与纯神经基线、神经符号基线的对比中,CGWMs 的概念锚定更准确,长时程下同样成立,分布内与分布外规划更稳健。
推荐理由:论文把时序逻辑知识与世界模型的概念学习、规划放在同一框架里,并在两个游戏环境与纯神经、神经符号基线对比,可据此看这条路线的方法取舍。
Playgama 推出一套工具,让 AI 智能体能够发布游戏、分析玩家行为并提交更新版本。其 MCP 负责游戏上传并返回可分享的线上链接,Playgama Sandbox 提供发现、数据分析、上线广告收入和付费获客路径。更新后的 Bridge SDK 让智能体利用玩家数据指导后续改进,公司计划在未来几个月加入更多工具和服务。
推荐理由:材料把 AI 智能体发布、玩家数据反馈和平台分发串成一条链路,可与同类平台的能力边界对照阅读。