Bringing Stories Alive: Generating Interactive Fiction Worlds
Georgia Institute of Technology（佐治亚理工学院）
世界构建是任何需要叙事智能的任务的基础。在这项工作中，我们专注于程序生成交互式小说世界--基于文本的世界，玩家使用自然语言“看到”和“交谈”。生成这些世界需要参考日常和主题常识先验，除了语义一致，有趣和连贯。利用现有的故事情节作为灵感，我们提出了一种方法，首先提取部分知识图谱编码的基本信息，如世界结构的位置和对象。然后，利用主题知识自动完成该知识图谱，并用于指导充实世界其他部分的神经语言生成模型。我们执行基于人类参与者的评估，测试我们的神经模型提取和填充知识图谱的能力，并根据基于规则和人为基线生成以其为条件的语言。我们的代码可在https://github.com/rajammanabrolu/WorldGeneration上获得。
2020-01-28 cs.AI cs.CL
IVIE: A Neuro-symbolic Approach to Incremental and Validated Generation of Interactive Fiction Worlds
Instituto de Computación, Facultad de Ingeniería, Universidad de la República（乌拉圭共和国大学工程学院计算机研究所）
提出IVIE神经符号方法，结合LLM的创造力与符号验证的连贯性，通过四阶段增量生成管道构建可玩的交互式小说世界，人类评估显示其生成沉浸式、主题连贯的世界，平衡了灵活性与叙事一致性。
2026-06-12 cs.AI cs.CL
A Survey of Text Games for Reinforcement Learning informed by Natural Language
University of Manchester（曼彻斯特大学）
强化学习在许多复杂的虚拟环境中取得了成功。然而，以自然语言为核心组件解决问题仍然存在许多挑战。交互式小说游戏（或文本游戏）就是这样一种问题类型，它提供了一组部分可观察的环境，其中需要自然语言作为强化学习解决方案的一部分。因此，这项调查的目的是协助开发新的文本游戏问题设置和自然语言告知的强化学习解决方案。具体而言，本次调查总结：1）引入文本游戏强化学习问题的挑战，2）生成工具，用于评估文本游戏和随后产生的环境，3）目前应用的代理架构进行比较，为未来的研究人员提供基准方法和机会的系统性审查。
2021-09-20 cs.AI
Text-based Adventures of the Golovin AI Agent
Institute of Computer Science University of Wrocław（弗罗茨瓦夫大学计算机科学研究所）
基于文本的冒险游戏领域最近已经建立了一个新的挑战，创造的代理，既能够理解自然语言，并在文本描述的环境中智能行为。在本文中，我们提出了我们的方法来解决这个问题。我们的代理名为Golovin，利用有限的游戏域。我们使用体裁相关的语料库（包括幻想书籍和反编译游戏），以创建适合这个领域的语言模型。此外，我们还嵌入了一些机制，允许我们指定并单独处理重要任务，如与对手战斗、管理库存和在游戏地图上导航。我们验证了这些机制的有用性，测量代理的性能上设置的50个互动小说游戏。最后，我们证明了我们的智能体的水平与去年基于文本的冒险AI竞赛的获胜者相当。
2017-05-16 cs.AI
JECC: Commonsense Reasoning Tasks Derived from Interactive Fictions
WeChat AI（微信人工智能）；LinkedIn（领英）；Queens University（皇后大学）；IBM Research（IBM研究院）；UC San Diego（加州大学圣地亚哥分校）
本文提出基于互动小说通关过程构建的常识推理数据集JECC，侧重评估功能性常识知识规则和多跳推理能力，实验显示现有机器阅读模型和大语言模型与人类专家存在20%的性能差距。
2023-05-26 cs.AI cs.CL
Static Vs. Agentic Game Master AI for Facilitating Solo Role-Playing Experiences
Aalborg University（奥尔堡大学）
本文比较了两种单人角色扮演游戏主持人AI：基于简化提示工程的v1与采用多智能体架构和ReAct框架的v2，实验证明v2在保持可玩性的同时显著提升了模块化、沉浸感和好奇心。
2025-03-06 cs.AI cs.HC
Augur: Mining Human Behaviors from Fiction to Power Interactive Systems
Stanford University（斯坦福大学）
从在我们醒来时准备咖啡的灵巧家庭，到在重要对话中知道不要打断我们的电话，我们对HCI的集体愿景设想了一个计算机理解广泛人类行为的未来。然而，今天我们的系统还达不到这些愿景，因为这些行为的范围太大，设计师或程序员无法手动捕获。在本文中，我们通过分析超过10亿字的现代小说来证明挖掘人类行为的广泛知识基础是可能的。我们得到的知识库Augur训练向量模型，可以从现代环境中的周围对象预测数千个用户活动：例如，用户是否正在吃东西，与朋友会面或自拍。Augur使用这些预测来识别人们通常对世界上的对象采取的行动，并根据用户的当前情况估计用户未来的活动。我们展示了Augur供电的基于活动的系统，例如当你接听的几率很低时会自动静音的电话，以及一个动态音乐播放器，它可以根据你当前的活动进行调整。一个Augur驱动的可穿戴相机的现场部署导致了96%的召回率和71%的日常活动的无监督预测精度。在第二次评估中，人类法官对系统在大量输入图像上的预测进行了评估，发现94%的预测是合理的。
2016-02-25 cs.AI cs.HC cs.IR
Graph Constrained Reinforcement Learning for Natural Language Action Spaces
Georgia Institute of Technology（佐治亚理工学院）；Microsoft Research（微软研究院）
交互式小说游戏是基于文本的模拟，其中代理纯粹通过自然语言与世界交互。它们是研究如何扩展强化学习代理以应对组合大文本动作空间中的自然语言理解、部分可观察性和动作生成挑战的理想环境。我们提出了KG-A2 C，一个代理，建立一个动态的知识图谱，同时探索和生成使用基于模板的动作空间的行动。我们认为，知识图谱的双重用途，以原因有关的游戏状态和约束自然语言生成的组合大自然语言行动的可扩展性探索的关键。各种IF游戏的结果表明，KG-A2 C优于当前的IF代理，尽管动作空间大小呈指数级增长。
2020-01-23 cs.AI cs.CL cs.LG
Inherently Explainable Reinforcement Learning in Natural Language
Georgia Institute of Technology（佐治亚理工学院）；Allen Institute for AI（艾伦人工智能研究所）
我们专注于创建一个内在可解释的强化学习代理的任务-通过在执行任务时大声思考并分析整个轨迹以产生因果解释来产生即时本地解释的能力。这种分层可解释的强化学习代理（HEX-RL）在交互式小说中运行，基于文本的游戏环境中，代理使用文本自然语言感知和作用于世界。这些游戏通常被构造为具有长期依赖性的谜题或任务，其中代理必须完成一系列动作才能成功-提供理想的环境来测试代理解释其动作的能力。我们的代理被设计为将可解释性视为一等公民，使用提取的基于符号知识图谱的状态表示加上分层图注意力机制，该机制指向内部图表示中最影响动作选择的事实。实验表明，该代理提供了显着改善的解释强基线，由人类参与者一般不熟悉的环境，同时也匹配最先进的任务性能。
2022-10-06 cs.AI cs.CL cs.HC
Anticipating User Needs: Insights from Design Fiction on Conversational Agents for Computational Thinking
Northern Arizona University（北亚利桑那大学）；Universidade Federal Fluminense（弗卢米嫩塞联邦大学）
本文通过九位教师参与的设计虚构会议，探索了面向计算思维教学的genAI对话智能体应具备的逐步引导和个性化调整能力，为未来辅导型对话智能体的实现提供设计见解。
2024-06-13 cs.AI cs.HC
STARLING: Self-supervised Training of Text-based Reinforcement Learning Agent with Large Language Models
Georgia Institute of Technology（佐治亚理工学院）；IBM Research（IBM研究院）；IBM Consulting（IBM咨询）
本文提出自监督文本RL环境STARLING，利用GPT-3和Inform7自动生成100个游戏来训练智能体，实验表明现有文本RL智能体在新情境中的技能迁移能力仍不及人类，为后续研究提供沙盒平台。
2024-06-09 cs.AI cs.CL cs.LG
ScriptWorld: Text Based Environment For Learning Procedural Knowledge
Indian Institute of Technology Kanpur（坎普尔印度理工学院）
本文提出ScriptWorld，首个基于脚本文本数据构建的日常现实活动交互式文本游戏环境，覆盖10项日常活动，并通过实验证明预训练语言模型的先验知识能有效提升强化学习智能体在现实世界文本游戏中的表现。
2023-07-08 cs.AI cs.CL cs.LG
Afterlife Delegation Protocol: Speculative Design of Self-Sovereign Agents that Outlive Their Principals
University of Oxford（牛津大学）；Goldsmiths, University of London（伦敦大学金史密斯学院）
该研究设计了基于ERC-10001的来世委托协议，开发了网页平台，探讨AI驱动的自主主权智能体在区块链上执行委托人遗嘱的可能性，分析不同文化来世宇宙观的转变。
2026-08-18 cs.AI cs.CY
PAYADOR: A Minimalist Approach to Grounding Language Models on Structured Data for Interactive Storytelling and Role-playing Games
Instituto de Computación, Facultad de Ingeniería, Universidad de la República（乌拉圭共和国大学工程学院计算研究所）；Facultad de Informática, Universidad Complutense de Madrid（马德里康普顿斯大学信息学院）
PAYADOR提出一种极简方法，通过将大语言模型基于虚构世界的最小化表示来预测动作结果，以解决交互式叙事和角色扮演游戏中的世界更新问题，并开源以释放RPG的共同创造能力。
2025-04-09 cs.AI cs.CL
TextQuests: How Good are LLMs at Text-Based Video Games?
Center for AI Safety（人工智能安全中心）；Carnegie Mellon University（卡内基梅隆大学）；Gray Swan AI（灰天鹅AI）
本文提出基于互动小说的基准TextQuests，通过禁止外部工具专注评估LLM智能体在长上下文探索性环境中的持续自主推理与独立解决问题能力。
2025-08-13 cs.AI cs.CL
Imitating Interactive Intelligence
DeepMind（深度思维）
科幻小说中的一个共同愿景是，有一天机器人将居住在我们的物理空间，像我们一样感知世界，帮助我们的体力劳动，并通过自然语言与我们交流。在这里，我们研究如何设计人工代理，可以自然地与人类使用虚拟环境的简化。然而，这种设置集成了人工智能（AI）研究的许多核心挑战：复杂的视觉感知和目标导向的物理控制，接地语言理解和生产，以及多智能体社交互动。为了构建能够与人类进行鲁棒交互的智能体，我们最好在它们与人类交互时对其进行训练。然而，这目前是不切实际的。因此，我们用另一个学习过的智能体来近似人类的角色，并使用反向强化学习的思想来减少人与人之间和智能体与智能体之间交互行为的差异。严格评估我们的代理人是一个巨大的挑战，因此我们开发了各种行为测试，包括观看代理人视频或直接与他们互动的人的评估。这些评估令人信服地表明，交互式训练和辅助损失提高代理行为超越了监督学习的行动单独实现。此外，我们证明，代理能力概括超越字面经验的数据集。最后，我们训练评估模型，其评级的代理同意以及与人类的判断，从而允许新的代理模型的评估，而无需额外的努力。两者合计，我们在这个虚拟环境中的结果提供的证据表明，大规模的人类行为模仿是一个有前途的工具，创造智能，互动代理，可靠地评估这些代理的挑战是可能克服的。
2021-01-21 cs.AI cs.LG cs.MA
