EvolvingWorld:一种用于互动文学世界中角色扮演智能体与世界模型共同演化的开放模式框架
摘要
介绍EvolvingWorld,这是一个用于互动文学世界中角色扮演智能体与世界模型共同演化的开放模式框架与基准,支持具有持久角色和世界状态更新的长时程模拟。
查看缓存全文
缓存时间: 2026/07/21 06:35
论文页面 - EvolvingWorld:交互式文学世界中角色与世界观共同演化的开放模式框架
来源:https://huggingface.co/papers/2607.17250 发布于 7 月 19 日
·
由 Jeff (https://huggingface.co/JiayuJeff) 于 7 月 21 日提交
摘要
本文介绍 EvolvingWorld,一个用于交互式文学世界中角色与世界观共同演化的框架与基准。现有系统要么将交互式文学模拟视为静态角色模仿,要么视为孤立的场景生成,未能捕捉角色与世界观随时间共同演化的过程。为解决此问题,EvolvingWorld 将文学模拟建模为长时程过程:角色互动、场景推进,且角色与世界观状态持续更新。与依赖固定模式的先前系统不同,EvolvingWorld 采用开放模式框架以支持跨多样文学世界的模拟。该框架由两个耦合模块构成:一个用于多角色扮演与持续档案演化的角色智能体(Character Agent),以及一个用于全局及地点/实体级状态维护与场景推进的基于大语言模型的世界模型(World Model)。基于此架构,我们设定了 7 个可训练任务,涵盖场景初始化、交互生成与状态更新。我们从 57 本书中构建数据集,生成 138,596 个监督训练样本和 222 个快照用于测试。此外,我们引入了一种轨迹级的大语言模型作为评审的评估协议,涵盖 10 个维度与 20 项指标。实验表明,EvolvingWorld 能够通过有效维护持久、连贯的角色与世界观发展,改进长时程模拟。
查看 arXiv 页面 (https://arxiv.org/abs/2607.17250)查看 PDF (https://arxiv.org/pdf/2607.17250)GitHub1 (https://github.com/HKUST-KnowComp/EvolvingWorld)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.17250)
在您的智能体中获取此论文:
hf papers read 2607.17250
没有最新 CLI?curl -LsSf https://hf.co/cli/install.sh | bash
引用该论文的模型0
没有模型关联此论文
请在模型 README.md 中引用 arxiv.org/abs/2607.17250,以链接到此页面。
引用该论文的数据集0
没有数据集关联此论文
请在数据集 README.md 中引用 arxiv.org/abs/2607.17250,以链接到此页面。
引用该论文的 Space0
没有 Space 关联此论文
请在 Space README.md 中引用 arxiv.org/abs/2607.17250,以链接到此页面。
包含该论文的收藏集0
没有收藏集包含此论文
请将本论文添加到收藏集 (https://huggingface.co/new-collection)中,以链接到此页面。
相似文章
无限世界与多样交互
本文介绍了LingBot-World 2.0,一个先进的世界建模系统,具有无界交互范围、实时720p 60fps视频生成、多样化的交互元素(例如攻击、施法),以及通过领航员和导演智能体实现的新型多智能体行为控制,还附带一个共享的多玩家界面。
Agent-World:面向演进式通用智能体的现实世界环境合成扩展
# 论文页面 - Agent-World: Scaling Real-World Environment Synthesis for Evolving General Agent Intelligence 来源:[https://huggingface.co/papers/2604.18292](https://huggingface.co/papers/2604.18292) 发布于 4 月 20 日 · 提交者[https://huggingface.co/dongguanting](https://huggingface.co/dongguanting) [](https://huggingface.co/dongguanting) [KABI](https://huggingface.co/donggua
SimWorld Studio:利用进化型代码代理为具身智能体学习自动生成环境
SimWorld Studio 是一个开源平台,利用进化型代码代理自动生成并优化用于具身智能体学习的 3D 环境。它利用自我进化和协同进化机制创建自适应训练场景,显著提升了智能体的性能。
虚构世界构建:基于分层上下文压缩与迭代审核的多智能体LLM协作
本文介绍了AutoWorldBuilder,一个用于自动化虚构世界构建的多智能体LLM系统。该系统通过分层上下文压缩、基于DAG的调度和迭代审核,解决了上下文爆炸、创意多样性和质量保证问题,实现了95%的成功率,并每个世界生成了56-103个自洽概念。
Role-Agent: 通过双角色演化自举LLM智能体
Role-Agent 引入了一种框架,其中单个LLM同时充当智能体和环境,通过世界智能体(World-In-Agent)和智能体世界(Agent-In-World)组件实现自举式共同演化。在多个基准测试中,相较于强基线,平均提升超过4%。