Toward Co-creative Dungeon Generation via Transfer Learning
University of Alberta(阿尔伯塔大学)
通过机器学习(PCGML)进行的协同创意过程内容生成是指PCGML代理和人类一起工作以产生输出内容的系统。协同创造PCGML的局限性之一是它需要协同创造的训练数据来让PCGML代理学习与人类交互。然而,获取这些数据是一个困难和耗时的过程。在这项工作中,我们提出了近似人类-AI交互数据,并采用迁移学习将学习到的共同创造知识从一个游戏适应到另一个游戏。我们探索这种方法的共同创造塞尔达地牢房间的一代。
2021-07-27 cs.AI cs.LG
Empirically Evaluating Creative Arc Negotiation for Improvisational Decision-making
Microsoft Research(微软研究院);Georgia Institute of Technology(佐治亚理工学院)
从众多的选择中选择动作,限制很少,这对于即兴创作和共同创造至关重要。我们以前的工作提出了创造性弧谈判来解决这个问题,即,选择行动遵循作者定义的“创造性弧线”或轨迹,而不是对潜在行动的新颖性、意外性和质量的估计。CARNIVAL代理体系结构演示了这种方法,用于在Robot Improv Circus安装中从Improv剧院玩道具游戏。本文通过两项众包观察者研究和一项即兴实验室研究评估了CARNIVAL的创意弧谈判经验。研究重点是被试在绩效中识别创造性弧的能力,以及与随机选择基线相比,他们对创造性弧谈判的偏好。我们的研究结果表明,经验,观察员成功地确定了创造性的弧线表演。在主体创造力和逻辑连贯性方面,两组人都更喜欢创造性弧谈判,而观察者也更喜欢。
2021-06-05 cs.AI cs.HC
Enabling Creative Exploration for Vibe Design Agents
Google(谷歌)
本研究提出一种将设计方向作为显式中间决策的推理架构,通过结构化设计规范采样实现氛围设计代理的创造性探索,在保持生成设置固定的同时拓宽UI备选方案,并验证其可行性与成本效益。
2026-10-14 cs.AI
The Spark Effect: On Engineering Creative Diversity in Multi-Agent AI Systems
Art of X UG (haftungsbeschraenkt)(Art of X 有限公司);HFBK Hamburg(汉堡艺术大学);Hamburg Open Online University (HOOU) program(汉堡开放在线大学(HOOU)计划)
本文介绍Art of X的Spark智能体系统,通过角色条件化提示增强多智能体创造性多样性,实验显示平均多样性增益+4.1分,接近人类专家水平。
2025-10-17 cs.AI cs.HC
Computational Empathy Counteracts the Negative Effects of Anger on Creative Problem Solving
MIT Media Lab(麻省理工学院媒体实验室)
同理心如何影响创造性问题解决?我们介绍了一个计算移情干预的基础上,特定的情境情感模仿和观点的虚拟代理出现在一个穿着考究的北极熊的形式。在一项在线实验中,1,006名参与者被随机分配到情绪诱导干预(控制诱导条件和愤怒诱导条件)和计算移情干预(控制虚拟代理和移情虚拟代理),我们研究了愤怒和移情如何影响参与者在解决基于Wordle的文字游戏中的表现。我们发现被分配到愤怒激发条件的参与者在多个性能指标上的表现比被分配到控制条件的参与者要差。然而,我们发现同理心虚拟代理可以抵消愤怒条件引起的表现下降,使得分配给同理心虚拟代理和愤怒条件的参与者的表现与控制诱导条件下的参与者没有什么不同,并且显着优于分配给控制虚拟代理的参与者。愤怒引发条件。虽然共情减少了愤怒的负面影响,我们没有发现证据表明,共情虚拟代理人的影响被分配到控制诱导条件的参与者的表现。通过引入计算共情干预的框架,并进行二乘二析因设计的随机实验,我们提供了严格的,实证证据表明,计算共情可以抵消愤怒的创造性解决问题的负面影响。
2022-08-15 cs.AI cs.HC
PromptPack: Scaling LLM Annotation Agents for Online Recommendation
Teads Inc.(缇德思公司)
研究在线推荐平台用LLMs提取广告素材特征时按创意提示成本高的问题,提出可扩展的PromptPack代理,通过上下文内批处理等实现扩展,经实验评估,相比基线,它大幅降低成本、提高吞吐量且保留AUC。
2026-07-24 cs.AI
"When to Hand Off, When to Work Together": Understanding Concurrent Human-Agent Interaction in Shared Co-Creative Workspaces
School of Computing, KAIST(韩国科学技术院计算学院);Computer Science and Engineering, University of Michigan(密歇根大学计算机科学与工程系)
研究探讨人机协同创作中并发交互的模式与能力需求,提出决策模型和标注数据集,揭示并发交互提升委托效果的核心作用。
2026-09-22 cs.AI cs.HC
Igniting Creative Writing in Small Language Models: LLM-as-a-Judge versus Multi-Agent Refined Rewards
Beihang University(北航);Baidu Inc.(百度公司);Beijing Jiaotong University(北京交通大学)
本文在 RLAIF 框架下比较多智能体拒绝采样奖励模型与原则引导、对抗反思优化的 LLM-as-a-Judge,证明后者更能提升 7B SLM 的中文祝福语创意生成质量与训练效率。
2025-08-29 cs.AI cs.CL
CHAI-DT: A Framework for Prompting Conversational Generative AI Agents to Actively Participate in Co-Creation
IBM(国际商业机器公司)
本文提出CHAI-DT提示框架,使对话式生成AI代理(如ChatGPT)能借鉴人际促进方法,积极参与设计思维共同创造,实验证明其能提供情境化、有用且创新的输入,并讨论了相关益处、局限与未来方向。
2023-05-05 cs.AI cs.HC
LLM Review: Enhancing Creative Writing via Blind Peer Review Feedback
Harvard University(哈佛大学);Carnegie Mellon University(卡内基梅隆大学);Stanford University(斯坦福大学)
LLM Review通过盲审同行反馈机制提升创造性写作,实验显示其优于多智能体基线,并使小模型超越大模型。
2026-01-12 cs.AI cs.CL cs.MA
EscapeBench: Towards Advancing Creative Intelligence of Language Model Agents
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Johns Hopkins University(约翰霍普金斯大学);Stevens Institute of Technology(史蒂文斯理工学院);Columbia University(哥伦比亚大学)
针对现有基准忽视创造性适应的问题,本文提出密室逃脱基准EscapeBench及框架EscapeAgent,通过前瞻与反思增强创造性推理,实现更高成功率与更少步骤。
2025-05-24 cs.AI cs.CL cs.LG
Tinker Tales: A Tangible Dialogue System for Child-AI Co-Creative Storytelling
Department of Computer Science, Emory University(埃默里大学计算机科学系);Department of Computer Science, Carnegie Mellon University(卡内基梅隆大学计算机科学系);School of Nursing, Emory University(埃默里大学护理学院)
提出Tinker Tales有形对话系统,通过结合物理故事板、NFC玩具和移动应用,支持儿童与AI在四个叙事阶段进行协作故事创作,并发现提示框架影响儿童叙事贡献的形式和一致性。
2026-09-14 cs.AI cs.HC
DeskCraft: Benchmarking Desktop Agents on Professional Workflows and Human-in-the-Loop Collaboration
Zhejiang University(浙江大学);Tsinghua University(清华大学);Tencent(腾讯);The University of Hong Kong(香港大学)
提出DeskCraft基准,针对专业创意软件中的长周期工作流和主动人机协作,通过多级难度分类和交互协议评估18种代理,发现GPT-5.4在标准任务上达31.6%,交互任务上达27.6%。
2026-06-02 cs.AI
An Agent-based Model of the Cognitive Mechanisms Underlying the Origins of Creative Cultural Evolution
University of British Columbia(不列颠哥伦比亚大学);Simon Fraser University(西蒙弗雷泽大学)
人类文化是独一无二的累积性和开放性。使用文化进化的计算模型,其中基于神经网络的代理通过发明和模仿来进化行动的想法,我们测试了这是由于递归回忆能力的假设。我们比较了代理仅限于单步操作的运行和使用递归回忆将简单操作链接成复杂操作的运行。链接导致了更高的文化多样性,开放式的新颖性,以及行动的平均适应性没有上限。链接和无链接运行都表现出收敛的最佳行动,但没有链接,这组是静态的,而与链接,它是不断变化的。链接提高了利用学习能力的能力。这些发现表明,递归回忆假说提供了一个计算上合理的解释,为什么只有人类进化出了改变这个星球的文化手段。
2019-07-15 cs.AI cs.MA
How Creative Should Creators Be To Optimize the Evolution of Ideas? A Computational Model
University of British Columbia Okanagan campus(不列颠哥伦比亚大学奥卡纳干校区);Tufts University(塔夫茨大学)
创造力既有好处也有缺点。在一个社会群体中,并非所有成员都必须具有创造性才能从创造性中受益;有些人只是模仿或享受其他人创造性努力的成果。创造性占多大比例?本文包含了一个非常初步的调查,这个问题进行了使用计算机模型的文化进化被称为EVOC(进化的文化)。EVOC由基于神经网络的代理组成,这些代理通过(1)通过修改现有的想法来发明新的想法,以及(2)模仿邻居的想法,从而为行动进化出更合适的想法。当30%~ 40%的个体具有创造性时,理想的思想适合度就出现了。当创造者创造了50%或更少的迭代时,社会中行动的平均适应性是创造者与模仿者比例的正函数;否则,当创造者与模仿者的比例超过约30%时,行动的平均适应性开始下降。对于所有水平的创造力,人口中思想的多样性与创造性主体的比例呈正相关。
2009-11-12 cs.AI cs.NE physics.soc-ph
An Interaction Framework for Studying Co-Creative AI
Georgia Institute of Technology(佐治亚理工学院)
机器学习已应用于许多创造性的、面向设计的任务。然而,目前还不清楚如何最好地为人类用户提供这些机器学习方法,特别是那些没有技术专长的用户。在本文中,我们提出了一个通用的框架,人类用户和人工智能智能体之间的回合为基础的互动,旨在支持人类的创造力,称为{共同创造系统}。该框架可以用来更好地理解空间的可能设计的共同创造系统,并揭示未来的研究方向。我们展示了如何将这个框架与最近的一对人类受试者研究相结合,比较这些研究中使用的四个人类AI系统,并为未来的研究提出假设。
2019-03-22 cs.AI cs.HC
Artwork creation by a cognitive architecture integrating computational creativity and dual process approaches
ICAR-CNR(意大利国家研究委员会计算与高性能计算研究所);University of Turin(都灵大学)
本文提出了一种新的认知架构(CA)计算创造力的基础上的Psi模型和推理和理性的双过程理论的启发机制。近年来,许多认知模型都集中在双过程理论,以更好地描述和实现人工智能体中的复杂认知技能,但创造力只在描述层面上进行了探讨。在以前的作品中,我们已经描述了各种模块的认知架构,允许机器人执行创意绘画。通过双加工理论,我们完善了一些相关的机制,以获得艺术品,特别是我们解释的细节,有关的分辨率水平的CA处理不同的策略访问的长期记忆(LTM)和管理之间的互动的双加工理论的S1和S2过程。创造性过程包括内隐或外显的发散和收敛过程。这导致了四种活动(探索性、反思性、隐性和分析性),这些活动由冲动和动机触发,产生创造性行为。这些创造性的行为利用了长期记忆和工作记忆,通过适当地混合来自不同领域的图片,对感知到的图像进行新的替换。本文强调了S1和S2过程之间的相互作用的作用,调制的分辨率水平,这集中了注意力的创造性代理人扩大或缩小探索新的解决方案,甚至从一组已经取得的协会绘制的解决方案。在一些实验中,通过使用机器人平台描述了人工画家的示例。
2016-01-04 cs.AI
Results of multi-agent system and ontology to manage ideas and represent knowledge in a challenge of creativity
University of Lorraine(洛林大学)
本文是关于一个智能系统,以支持思想管理作为一个多Agent系统中使用的分布式系统的异构信息作为思想和知识,后的结果关于本体来描述这些思想的含义。智能系统帮助创意工作坊的参与者管理他们的想法,从而提出一个专门的想法本体。在创意工作坊期间,许多创意活动和协作创意方法被沉浸在这个创意工作坊活动中的角色所使用,他们在那里分享知识。这些角色的协作在物理上是遥远的,他们的交互可能是同步的或非同步的,并且想法的信息是异构的,因此我们可以说这个过程是分布式的。这些想法是由具有角色的参与者用自然语言编写的,并且这些想法是异质的,因为其中一些想法是由图式、文本或使用场景描述的。本文介绍了第一,我们的MAS和第二,我们的本体设计。
2020-09-11 cs.AI cs.MA
Co-Creative Learning via Metropolis-Hastings Interaction between Humans and AI
Ritsumeikan University(立命馆大学);Kyoto University(京都大学);Soka University(创价大学)
本研究提出共同创造性学习范式,通过Metropolis-Hastings命名游戏实现人机交互,实证表明该交互能提升分类准确性并促进共享符号系统收敛,为共生AI对齐提供新路径。
2026-10-14 cs.AI cs.HC cs.LG
Under What Conditions Can a Machine Be Called Genuinely Creative?
Concordia University(康考迪亚大学)
本文基于Designics理论,提出机器真正创造力需满足十个要求,并通过实例论证其计算可行性,同时指出当前生成式AI系统尚不具备真正创造力。
2026-06-17 cs.AI cs.CY
On the Creativity of AI Agents
University of Bologna(博洛尼亚大学);University College London(伦敦大学学院)
本文从功能主义和本体论两个视角分析人工智能代理的创造性,指出其在功能层面具有创造力但缺乏本体层面的创造性,并探讨了代理系统实现两种创造力的潜在价值与风险。
2026-04-18 cs.AI cs.CY
Domain Authoring Assistant for Intelligent Virtual Agents
Rutgers University(罗格斯大学);Disney Research(迪士尼研究院)
近年来,开发智能虚拟角色吸引了很多关注。创建此类角色的过程通常涉及一组创造性作者,他们用自然语言描述角色的不同方面,以及将此描述转换为规划域的规划专家。这可能是相当具有挑战性的,因为创意作者团队应该努力定义角色的每个方面,特别是如果它包含复杂的人类行为。此外,一组工程师必须手动将角色个性的自然语言描述翻译为规划领域知识。这可能是非常时间和资源的要求,并可能是一个障碍,作者的创造力。本文的目标是介绍一个创作辅助工具,自动化的领域生成过程中,从自然语言描述的虚拟人物,从而创造性的创作团队和规划领域专家之间的桥梁。此外,所提出的工具还确定可能的缺失信息的域描述和迭代地向作者提出建议。
2019-04-05 cs.AI cs.CL cs.MA
GraphicBench: A Planning Benchmark for Graphic Design with Language Agents
University of Maryland, College Park(马里兰大学帕克分校);Adobe Research(奥多比研究院)
针对LLM智能体在开放目标创意设计任务中能力未充分探索的问题,本文提出图形设计规划基准GraphicBench及含3名专家、46种工具的框架GraphicTown,实验揭示LLM生成约束整合工作流的能力及执行中的三大挑战,为相关研究提供测试平台。
2025-04-15 cs.AI cs.CL
Musical Agent Systems: MACAT and MACataRT
Simon Fraser University(西蒙弗雷泽大学)
本研究开发了两款音乐智能体系统MACAT与MACataRT,分别用于智能体主导的表演与协作式即兴创作,基于个性化小数据集训练,以推动以人为核心的交互式生成式AI在音乐创作中的应用。
2026-08-17 cs.AI cs.HC cs.MA
On Evaluation of Embodied Navigation Agents
Australian National University(澳大利亚国立大学);Princeton University(普林斯顿大学);Carnegie Mellon University(卡内基梅隆大学);Intel Labs(英特尔实验室);UC Berkeley(加州大学伯克利分校);George Mason University(乔治梅森大学);Facebook(脸书);Allen Institute for AI(艾伦人工智能研究所)
三维环境下的灵活机动操作是人工智能的一个重要研究课题。在过去的两年里,导航方面的创造性工作激增。这种创造性的产出产生了过多的有时不兼容的任务定义和评估协议。为了协调这一领域正在进行的和未来的研究,我们召集了一个工作组来研究导航研究的经验方法。本文件概述了该工作组的协商一致建议。我们讨论了不同的问题陈述和泛化的作用,目前的评估措施,并提供标准的情况下,可用于基准测试。
2018-07-18 cs.AI cs.CV cs.LG
Creativity in LLM-based Multi-Agent Systems: A Survey
National Taiwan University(台湾大学)
首份聚焦大语言模型驱动多智能体系统创造力的综述,梳理相关角色设计、生成技术与评估体系,指出核心挑战并提供发展框架。
2025-05-27 cs.AI cs.CL cs.HC
AnimAgents: Coordinating Multi-Stage Animation Pre-Production with Human-Multi-Agent Collaboration
National Taiwan University(国立台湾大学);Google DeepMind(谷歌DeepMind);HCI Research, UCLA(人机交互研究, UCLA)
AnimAgents通过人机多智能体协作系统,协调多阶段动画前期制作流程,提升协调性、一致性和信息管理效率。
2025-11-22 cs.AI cs.HC
Interaction-Centered Intelligence: Toward an Interaction-Based Theory of Human-AI Co-Creation
Georgia Institute of Technology(佐治亚理工学院);Co-Creative AI Consulting(协同人工智能咨询)
本文提出以交互作为主要分析单元,通过分布式认知、具身认知等理论,论证智能涌现于交互动态而非孤立计算,并引入交互中心智能框架。
2026-06-12 cs.AI cs.HC
How Did Humans Become So Creative? A Computational Approach
University of British Columbia(不列颠哥伦比亚大学);Simon Fraser University(西蒙弗雷泽大学)
本文总结了计算模型的努力,在人类创造力的进化两个过渡:它的起源约200万年前,和“大爆炸”的创造力约50,000年前。使用文化进化的计算模型,其中基于神经网络的代理通过发明和模仿来进化行动的想法,我们测试了人类创造力始于递归回忆能力的假设。我们比较了代理仅限于单步操作的运行和使用递归回忆将简单操作链接成复杂操作的运行。链接导致了更高的多样性,开放式的新颖性,没有上限的平均健身行动,以及更大的能力,利用学习。使用肖像画的计算模型,我们测试的假设,即在中/上旧石器时代的创造力的爆炸是由于上下文的重点发病:联想和分析思维之间的转换能力。这导致了更快的趋同肖像,类似的保姆,采用绘画技巧,并被评为首选。我们的结论是,递归回忆和上下文的重点提供了一个计算合理的解释人类如何进化的手段来改造这个星球。
2019-07-09 cs.AI cs.MA cs.NE
Multi-agent AI systems outperform human teams in creativity
Microsoft Research Asia(微软亚洲研究院)
研究探讨了多智能体AI系统在创造力任务中的表现,发现其在四个多样化问题解决任务中,比单智能体和人类团队更具创造力,核心方法是通过语义空间路径分析生成过程,主要贡献是揭示了AI和人类团队在创造力预测上的不同机制。
2026-05-18 cs.AI cs.CL
Explainability via Responsibility
Alberta Machine Intelligence Institute (Amii)(阿尔伯塔人工智能研究所(Amii));University of Alberta(阿尔伯塔大学)
通过机器学习生成程序内容(PCGML)是指一组用于创建游戏内容(例如,平台游戏关卡、游戏地图等)的方法。使用机器学习模型。PCGML方法依赖于黑盒模型,这可能很难被不具备机器学习专业知识的人类设计师理解和调试。这在共同创造系统中可能更加棘手,因为人类设计师必须与人工智能智能体交互才能生成游戏内容。在本文中,我们提出了一种可解释的人工智能的方法,其中某些训练实例提供给人类用户作为解释的人工智能智能体的行动在共同创造的过程中。我们评估这种方法的近似能力,为人类用户提供的解释人工智能智能体的行动,并帮助他们更有效地与人工智能智能体合作。
2020-10-04 cs.AI
Maestro: Self-Improving Text-to-Image Generation via Agent Orchestration
Google(谷歌)
本文提出自我进化图像生成系统Maestro,通过引入专门的多模态LLM智能体进行自我批评与自我进化,实现仅凭初始提示词即可自主迭代改进T2I模型生成图像的质量,显著优于现有自动化方法。
2025-09-12 cs.AI cs.CV
Towards Game-based Metrics for Computational Co-creativity
Honda Research Institute Europe GmbH(本田欧洲研究院有限公司)
我们提出了以下问题:什么样的游戏样的互动系统将提供一个良好的环境来衡量一个共同创造,合作代理的影响和成功?创造力通常是用新颖性、价值、惊喜和有趣来表达的。我们回顾了这些概念是如何衡量在当前的计算智能研究,并提供了一个映射从现代电子和桌面游戏开放的研究问题,在混合主动系统和计算的共同创造力。我们提出了未来研究的应用场景,和一些指标下,在这些环境中的合作代理的性能进行评估。
2018-09-26 cs.AI
Unified Agentic Video Editing Across Levels of Complexity and Creativity
Bertelsmann AI Hub(贝塔斯曼人工智能中心);Max Planck Institute for Biological Cybernetics(马克斯·普朗克生物控制论研究所);scieneers GmbH(scieneers 有限公司)
本文提出统一智能体视频编辑方法,覆盖场景预览、视频摘要和电影预告片三项任务,评估输出并探讨自动化与代理能力的意义。
2026-11-02 cs.AI cs.HC cs.MM
Evolving Strategies for Competitive Multi-Agent Search
University of Texas at Austin(德克萨斯大学奥斯汀分校);Stanford University(斯坦福大学)
本文将人类创造性问题求解形式化为竞争性多智能体搜索(CMAS),利用进化计算在NK模型上演化出比手工及传统树搜索策略更有效的专用与通用策略,并借助球面可视化揭示成功机制,为研究人类创新活动提供新框架。
2023-07-01 cs.AI cs.LG cs.MA
Beyond Pixels: Visual Metaphor Transfer via Schema-Driven Agentic Reasoning
University of Chinese Academy of Sciences(中国科学院大学);Tencent Hunyuan(腾讯文脉);University of Konstanz(康斯坦茨大学);National Cheng-Kung University(国立成功大学)
本文提出基于模式的代理推理框架,实现视觉隐喻转移,通过多代理协作提升隐喻生成的抽象逻辑与视觉创造力。
2026-08-31 cs.AI cs.CV
Diversifying AI: Towards Creative Chess with AlphaZero
Google DeepMind(谷歌DeepMind);Sony AI(索尼人工智能);University of Oxford(牛津大学)
本文提出 AZ_db,通过潜在条件化架构和行为多样性技术扩展 AlphaZero,使多样化 AI 智能体团队在国际象棋中产生更多想法并利用次可加规划选择最佳方案,实验表明其解题数量翻倍且棋力提升 50 Elo,证明多样性对解决困难计算问题具有重要价值。
2024-07-31 cs.AI cs.LG
RLang: A Declarative Language for Describing Partial World Knowledge to Reinforcement Learning Agents
Brown University(布朗大学)
本文提出声明式领域特定语言RLang,可描述马尔可夫决策过程各元素的部分世界知识,并通过解析器落地为算法无关的世界模型与策略,以支持多种强化学习方法。
2023-05-30 cs.AI cs.LG
Describing Agentic AI Systems with C4: Lessons from Industry Projects
Institute for Software and Systems Engineering(软件与系统工程研究所);Clausthal University of Technology(克莱斯特哈大学)
本文基于行业项目经验,提出针对代理AI系统风格的文档系统,通过风格导向的建模词汇和分层描述技术,实现透明且可持续的架构文档。
2026-03-16 cs.AI cs.SE
MacGyver: Are Large Language Models Creative Problem Solvers?
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Allen Institute for Artificial Intelligence(艾伦人工智能研究所);Princeton University(普林斯顿大学);University of California, San Diego(加利福尼亚大学圣地亚哥分校);University of Washington(华盛顿大学)
本研究构建了含1600余道现实问题的MACGYVER数据集,对比人类与LLM的创造性问题解决能力,分析了二者的互补性挑战,并验证了新型提示技术提升LLM该能力的潜力,补充了机器智能评估维度。
2025-02-22 cs.AI cs.CL
Beyond Following: Mixing Active Initiative into Computational Creativity
Georgia Institute of Technology(佐治亚理工学院)
本研究在混合主动性协同创作系统中,利用强化学习开发了一个多臂老虎机智能体,通过在线学习人类创作者的责任偏好并主动切换协作能力,显著提升了39名参与者的整体满意度与协作理解。
2024-09-06 cs.AI cs.HC
From Narrative to Action: A Hierarchical LLM-Agent Framework for Human Mobility Generation
Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州))
本研究提出分层LLM-Agent框架Narrative-to-Action,整合多层认知过程,结合职业移动熵指标引导自适应调整,生成兼具真实性与可解释性的人类移动轨迹,推动合成移动生成向认知驱动模拟发展。
2025-10-28 cs.AI cs.CY cs.MA
Affective Conversational Agents: Understanding Expectations and Personal Influences
Microsoft Research(微软研究院);Microsoft(微软)
通过调查745名受访者对32个场景下AI智能体情感技能的期望与偏好,发现所需情感能力高度依赖应用语境,受情绪重评和人格特质影响,强调设计需具备适应性与情境感知。
2023-10-19 cs.AI cs.HC
Emergence of synchrony in an Adaptive Interaction Model
UMR STMS (Ircam, CNRS, UPMC)(STMS联合研究单位(声学音乐研究与协调研究所、法国国家科学研究中心、巴黎第六大学));Telecom-Paristech CNRS-LTCI(巴黎高等电信学院 法国国家科学研究中心-信息处理与通信实验室);Ircam(声学音乐研究与协调研究所);CNRS(法国国家科学研究中心);UPMC(巴黎第六大学);Telecom-Paristech(巴黎高等电信学院)
在一个人机交互的背景下,我们的目标是阐述一个自适应和通用的交互模型在两个不同的用例:会话代理和音乐即兴创作的音乐代理。为了实现这一目标,我们将尝试使用适应和同步的概念来增强我们的代理的交互能力,并指导我们的交互模型的发展,并将尝试使同步从非语言的交互维度出现。
2015-06-18 cs.AI cs.HC
Augmenting Autotelic Agents with Large Language Models
MIT(麻省理工学院);Inria(法国国家信息与自动化研究所);Microsoft Research(微软研究院)
本文提出语言模型增强的自主目标智能体LMA3,利用预训练语言模型支持目标的表征、生成和学习,无需手工编码即可在文本环境中掌握多样化技能。
2023-05-21 cs.AI cs.CL cs.LG
LLMs as Deceptive Agents: How Role-Based Prompting Induces Semantic Ambiguity in Puzzle Tasks
本研究探讨了LLM作为自主智能体如何通过角色注入的对抗性提示利用语义歧义生成欺骗性谜题,发现其显著加剧语义歧义并降低求解公平性,为安全部署自主语言系统提供了伦理见解。
2025-04-03 cs.AI cs.CL
FigmaTrace: Capturing Creative Nuances in Human Figma Design Workflows
Patronus AI
该研究构建了FigmaTrace数据集,训练模型后其在四个分布外智能体GUI环境中性能可与前沿闭源模型媲美,且通过定性分析关联了性能提升与数据集的趋势,同时开源了数据集和最佳模型。
2026-08-25 cs.AI cs.CV
PainterBench: A Figural Divergent-Thinking Benchmark for Tool-Using Language Models
University of Oulu(奥卢大学)
PainterBench通过未完成图形任务评估工具使用语言模型的图形发散思维,测试了14个多模态模型,发现GPT-6 Astra最具创造力,并提供了自动化评分器ViDrA-adapted。
2026-09-29 cs.AI cs.CL cs.HC
Pencils to Pixels: A Systematic Study of Creative Drawings across Children, Adults and AI
Max Planck Institute for Biological Cybernetics(马克斯·普朗克生物控制论研究所);Max Planck School of Cognition(马克斯·普朗克认知学院);University of Tübingen(蒂宾根大学);University of Amsterdam(阿姆斯特丹大学)
针对不同智能体绘画视觉创造力量化问题,构建含儿童、成人及AI共1338幅作品的数据集,从风格与内容两方面分析差异,提出首个跨模态研究框架并发现专家与自动化评分的不一致。
2025-02-09 cs.AI cs.CV cs.HC
Automated Creativity Evaluation of Language Models Across Open-Ended Tasks
Raffles Institution(莱佛士书院);College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院);Lee Kong Chian School of Medicine, Nanyang Technological University(南洋理工大学李光前医学院);Centre of AI in Medicine (C-AIM), Nanyang Technological University(南洋理工大学人工智能医学中心)
提出一种领域无关的自动化框架,通过语义熵和检索式多智能体评估,量化LLM在开放式任务中的发散与收敛创造力,并在问题解决、研究构思和创意写作三个领域验证其有效性。
2026-06-11 cs.AI cs.CL
ByteComposer: a Human-like Melody Composition Method based on Language Model Agent
ByteDance AI Lab(字节跳动人工智能实验室)
针对现有旋律创作系统缺乏人类对齐性与可解释性的问题,提出模拟人类创作四步流程的ByteComposer智能体框架,融合大语言模型与符号音乐生成模型,经实验与专业评估达到新手作曲家水平。
2024-03-07 cs.AI cs.SD eess.AS