标签
Wizard 提出一种游戏世界模型，通过解耦角色动画、场景操控与游戏逻辑，实现对未见过角色的关节级动作与实时交互控制，支持每秒 24 帧的交互，并对新场景、角色和动作具备零样本泛化能力。
论文提出了 Stateful Harness 框架，将基于规则的世界状态更新与冻结的视频渲染分离开来，以提升含隐藏状态的交互式世界模型的一致性，并通过 WorldState-Bench 基准进行评测。结果显示，完整 harness 将规则遵循率从 32% 提升至 92%。
This paper presents MIMESIS, a specialized user simulator (a 9B model) trained on real user conversations with explicit reasoning supervision, surpassing frontier models in behavioral fidelity. The study further freezes this simulator and uses it for multi-turn reinforcement learning to train agents, and proposes the **Coached On-Policy Self-Distillation (CSD)** method, achieving stronger generalization performance across nine unseen user simulators.
KlinikeBench 引入了一个由临床医生验证的基准，包含 333 个交互式临床任务，要求大语言模型在限定的对话轮次内采集患者病史、使用临床工具并得出诊断。在评测的 31 个模型中，表现最好的模型（如 GPT-6-astra、Claude Opus 5）尽管诊断准确率达到 90.7%，任务成功率却不足 30%，揭示了诊断知识与真实临床交互能力之间的巨大差距。
本文介绍交互代理中的因果保留，探讨冻结的学习状态如何独立于训练目标回答干预查询，并通过理论分析和在有限因果系统以及像Qwen这样的AI模型上的实验得到支持。
ScienceBuddy 引入了一种递归中递归的自我改进范式，用于交互式科学代理，通过研究员合作与反馈实现持续演进。
VoiceChat-TTS 是一种低延迟、连续的文本转语音模型，专为交互代理设计，支持实时流处理和中断处理，同时不损害语音质量。
提出在线Agent-as-a-Judge评估框架，该框架利用世界内评估智能体主动生成情境来测试交互式社交智能体，在覆盖率和可靠性上优于被动方法。
本文提出了“先绘图后行动”范式（MAP），这是一个即插即用的框架，在执行前将环境理解前置到交互式LLM智能体中，在多个基准测试中取得了一致性的性能提升，并使前沿模型在25个游戏环境中的22个上超越了接近零的基线性能。