标签
本文介绍了一种强化学习方法，用于训练智能体在序列决策任务中策略性地等待，从而在任务性能与资源节约之间取得平衡。实验表明，在家庭环境和连续状态环境中均出现了显著的等待行为。
介绍Rushes，一个大规模数据集，记录了人类在AI生成的分支叙事中的参与偏好。结果表明，当前如GPT-5等大语言模型在预测用户选择方面甚至无法超越简单基线，凸显了个性化对齐的必要性。
本文以爱荷华赌博任务为测试平台，研究诱导情绪是否会影响LLM的序贯决策。作者发现，虽然情绪诱导对平均决策动态没有显著影响，但愤怒情绪会降低对惩罚的敏感性并减少早期阶段的探索。
本文研究了一种随机线性赌博机问题，其中智能体仅能观测到动作坐标的随机子集，证明了当动作具有低本征维度时可以实现次线性遗憾，并提出了一种具有理论保证的TOFU-POV算法。
提出了一种三阶段训练范式，将世界模型规划内化到LLM智能体中，使其具备前瞻性决策能力。在搜索和数学推理任务上优于基线方法。
本文提出了一种名为“智能体自主世界建模”（AAWM）的训练流程，该流程基于策略自身的决策需求构建世界模型监督，而非依赖下一观测预测，从而使学习目标与有效决策所需的动态特性对齐。
本文介绍了 Agentick，这是一个用于评估涵盖强化学习（RL）、大型语言模型（LLM）和视觉语言模型（VLM）范式的通用序贯决策智能体的统一基准测试。该基准提供了 37 个程序化生成的任务，并揭示目前尚无单一方法占据主导地位，突显了智能体自主性方面仍有巨大的提升空间。
本文介绍了 PRISM，这是一个通过动态问答流程整合视觉-语言模型和大语言模型的框架，旨在提升具身 AI 任务中的顺序决策能力。