The Ludii Game Description Language is Universal
Maastricht University(马斯特里赫特大学);Université catholique de Louvain(天主教鲁汶大学);Flinders University(弗林德斯大学)
本文证明 Ludii 游戏描述语言具有通用性,将其表示能力从有限、确定性、完全可观察扩展式博弈扩展至有限非确定性与不完美信息博弈。
2024-06-12 cs.AI cs.GT
Instruction-Driven Game Engines on Large Language Models
Shanghai Jiao Tong University(上海交通大学);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳))
本文提出指令驱动游戏引擎(IDGE),利用大型语言模型根据自然语言指令自主生成游戏过程,通过下一状态预测任务和课程学习训练模型,并在扑克游戏中验证了其支持多变体、高定制及快速原型化的能力。
2024-08-23 cs.AI
Grammar-based Game Description Generation using Large Language Models
Waseda University(早稻田大学)
本文提出一种利用大语言模型从自然语言生成语法正确的游戏描述(GDL)的两阶段框架,通过语法引导的迭代改进显著优于直接使用LLM输出的基线方法。
2025-01-22 cs.AI
From Language Games to Drawing Games
DeepMind(深度思维)
我们试图通过发明一套绘画游戏来自动化各种艺术过程,类似于新兴语言研究在发明交流游戏时所采取的方法。一个关键的区别是,绘画游戏比语言游戏需要接受者更少的努力。艺术家必须与预先训练的观众一起工作,这些观众很少花时间学习艺术家特定的代表性惯例,而是通过在不同程度上理解环境的视觉启示,拥有一个针对世界行为优化的预先训练的视觉系统。在考虑了各种绘画游戏后,我们给出了一些初步的实验,这些实验通过关闭生成临界循环来生成图像。
2020-12-10 cs.AI cs.LG cs.NE
Reasoning, Memorization, and Fine-Tuning Language Models for Non-Cooperative Games
The University of Texas at Austin(得克萨斯大学奥斯汀分校)
本文提出一种融合思维树与多智能体的语言模型博弈求解方法,通过任务分解、协同推理和基于胜负的自动微调,在非合作博弈中仅用约1000个训练样本即取得65%胜率并微调后提升10%,显著优于需要海量样本的深度学习方法。
2024-10-18 cs.AI
GAVEL: Generating Games Via Evolution and Language Models
New York University Tandon(纽约大学坦顿工程学院);ETH Zurich(苏黎世联邦理工学院);Flinders University(弗林德斯大学);UCLouvain(鲁汶大学);Maastricht University(马斯特里赫特大学)
本文提出 GAVEL,结合大型语言模型与进化计算,在 Ludii 游戏描述语言中智能变异、重组游戏代码,生成数据集规则空间之外的新颖可玩游戏。
2024-12-03 cs.AI
Multiverse: Language-Conditioned Multi-Game Level Blending via Shared Representation
Gwangju Institute of Science and Technology (GIST)(光州科学技术院);Dongguk University(东国大学)
本文提出多宇宙模型,通过共享表示实现跨游戏关卡融合,利用文本指令与关卡结构对齐的潜在空间,结合多正对比监督提升多游戏关卡生成的可控性和质量。
2026-03-31 cs.AI cs.LG
Distilling Game Code World Model Generation into Lightweight Large Language Models
Brown University(布朗大学)
研究通过后训练将游戏代码世界模型生成能力蒸馏到小型模型,采用监督微调和带可验证奖励的强化学习提升生成代码的语法正确性和规则遵循性。
2026-05-23 cs.AI
Ludax: A GPU-Accelerated Domain Specific Language for Board Games
Ludax结合了通用游戏描述语言的灵活性与现代并行硬件的速度,旨在加速游戏研究,通过快速模拟和灵活的表示方案提升强化学习和认知科学的研究效率。
2026-03-25 cs.AI
Language Tasks and Language Games: On Methodology in Current Natural Language Processing Research
University of Potsdam(波茨坦大学);Department of Linguistics(语言学系)
“这篇论文介绍了一个新的任务和一个新的数据集”,“我们通过Y改进了X的最新技术水平”--很难找到一篇当前的自然语言处理论文(或更普遍的AI论文)不包含这样的陈述。然而,最隐含的是这样一种假设,即这必然构成进步,以及它构成了什么样的进步。在这里,我们更精确的印象通常使用的语言任务和语言游戏的概念,并询问如何建立在这些研究计划可能取得进展的目标建模一般的语言能力。
2019-08-28 cs.AI cs.CL
Representing and Reasoning about Game Strategies
The University of New South Wales(新南威尔士大学)
为了应对构建游戏AI系统的挑战,我们开发并分析了一种用于表示和推理策略的形式语言。我们的逻辑语言建立在现有的一般游戏描述语言(GDL),并扩展了它的线性时间的标准模态以及两个双连接词来表达偏好时,结合策略。语言的语义由标准的状态转换模型提供。因此,需要对游戏进行推理的问题可以通过对动作和变化进行推理的标准方法来解决。我们还赋予语言一个特定的语义,战略公式被理解为一个球员的移动建议。为了说明我们的形式主义如何支持自动推理的战略,我们展示了两个例子的实现方法:第一,我们形式化的语义解释我们的语言结合游戏规则和战略规则的情况演算;第二,我们展示了如何推理问题可以解决答案集编程。
2014-07-21 cs.AI
Pre-trained Language Models as Prior Knowledge for Playing Text-based Games
Indian Institute of Technology Kanpur(印度理工学院坎普尔分校)
最近,文本世界游戏被提出来使人工智能体能够理解和推理真实世界的场景。这些基于文本的游戏对于人工智能体来说是具有挑战性的,因为它需要在部分可观察的环境中使用自然语言进行理解和交互。智能体通过文本描述来观察环境,这些文本描述甚至对人类玩家都具有足够的挑战性。过去的方法没有给予足够的重视的语言理解能力的建议代理。通常,这些方法从零开始训练,代理在训练期间使用时间损失函数在线学习文本表示和游戏玩法。鉴于RL方法的样本效率低下,学习足够丰富的文本表示以能够在如此复杂的游戏环境设置中使用文本观察来理解和推理是低效的。在本文中,我们提出了一个简单的RL与LM框架,其中我们使用基于transformer的语言模型与深度RL模型,以提高代理的语义理解。我们对我们的框架进行了详细的研究,以证明我们的模型在流行游戏Zork 1上的表现优于所有现有代理,达到了44.7的分数,比最先进的模型高出1.6。总体而言,我们提出的方法优于14个基于文本的游戏中的4个游戏,而在其余游戏中的表现与最先进的模型相当。
2021-12-23 cs.AI cs.CL cs.MA
Learning Strategic Language Agents in the Werewolf Game with Iterative Latent Space Policy Optimization
Tsinghua University, Beijing, China(清华大学);Beijing Zhongguancun Academy, Beijing, China(北京中关村学院);Shanghai Qi Zhi Institute, Shanghai, China(上海启智研究所)
针对LLM智能体在战略语言游戏中的偏差与探索不足,提出LSPO迭代框架,结合博弈论与DPO微调,在狼人杀中提升策略与语言能力并超越现有智能体。
2025-06-18 cs.AI
Game Reasoning Arena: A Framework and Benchmark for Assessing Reasoning Capabilities of Large Language Models via Game Play
LAION Juelich Supercomputing Center (JSC)(LAION尤利奇超级计算机中心(JSC));Research Center Juelich (FZJ)(尤利奇研究中心(FZJ))
本文提出游戏推理竞技场框架,基于OpenSpiel封装多种游戏并支持多种智能体,通过API、本地部署和分布式执行系统评估大语言模型的决策推理与博弈论行为。
2025-08-18 cs.AI cs.GT
Language Understanding for Text-based Games Using Deep Reinforcement Learning
MIT(麻省理工学院)
在本文中,我们认为基于文本的游戏的学习控制策略的任务。在这些游戏中,虚拟世界中的所有交互都是通过文本进行的,并且无法观察到底层状态。由此产生的语言障碍使得这种环境对自动游戏玩家具有挑战性。我们采用深度强化学习框架,使用游戏奖励作为反馈来联合学习状态表示和动作策略。这个框架使我们能够将文本描述映射到捕获游戏状态语义的矢量表示中。我们在两个游戏世界上评估了我们的方法,使用词袋和二元组袋进行状态表示,与基线进行比较。我们的算法在这两个世界上都优于基线,证明了学习表达性表征的重要性。
2015-09-11 cs.AI cs.CL
Implementing an intelligent version of the classical sliding-puzzle game for unix terminals using Golang's concurrency primitives
Indian Institute of Technology, Roorkee(印度理工学院鲁尔基分校)
一个智能版本的幻灯片拼图游戏是使用新的围棋程序设计语言开发的,它使用了A* 知情搜索算法的并发版本,以支持在后台运行的求解机器人。游戏运行在计算机系统的终端。它主要是为UNIX类型的系统开发的,但由于所使用的程序设计语言的跨平台兼容性,它在几乎所有的操作系统中都能很好地工作。游戏使用语言的并发原语来简化游戏的大部分重要部分。实时通知传递架构是使用语言的内置并发支持开发的,它的性能类似于我们在Web平台上看到的基于事件的上下文感知调用。
2015-08-22 cs.AI
Language Expansion In Text-Based Games
Indian Institute Of Technology Madras(印度理工学院马德拉斯分校);University of Montreal(蒙特利尔大学)
基于文本的游戏是设计代理的合适的测试平台,这些代理可以通过与自然语言文本形式的环境交互来学习。最近,基于深度强化学习的代理已成功应用于玩基于文本的游戏。在本文中,我们探讨了设计一个单一的代理玩几个基于文本的游戏和扩大代理的词汇表使用多个游戏训练的代理词汇的可能性。在这种程度上,我们探讨了最近提出的视频游戏的策略蒸馏方法的应用程序,以基于文本的游戏设置。我们还使用基于文本的游戏作为一个测试平台,分析,从而详细了解政策蒸馏方法。
2018-05-17 cs.AI cs.CL
Experience-Sensitive Game Learning: A Behavioral Study of Humans and Language Agents
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Georgetown University(乔治城大学);INSAIT, Sofia University “St. Kliment Ohridski”(索菲亚大学“圣·克利门特·奥赫里德斯基”分校INSAIT)
该研究构建经验敏感型游戏学习框架,通过交互式游戏及相关指标分析人类与自进化语言智能体的游戏决策行为,发现人类会稳定转向全局策略,而自进化智能体的行为转变仍有局限。
2026-08-11 cs.AI cs.HC
Bridging Pedagogy and Play: Introducing a Language Mapping Interface for Human-AI Co-Creation in Educational Game Design
Northeastern University(东北大学)
本文提出一种基于语言映射的接口,通过人机协同设计教育游戏,以明确教学意图并降低非专业设计师的设计门槛。
2026-03-04 cs.AI cs.HC
GVGAI-LLM: Evaluating Large Language Model Agents with Infinite Games
New York University(纽约大学);University of the Witwatersrand(沃尔特·斯通大学);Meta;Lingnan University(岭南大学)
GVGAI-LLM通过 arcade 式游戏测试大语言模型的推理与问题解决能力,定义了可解释的评估指标,揭示了模型在空间推理和基本规划中的局限性。
2026-05-16 cs.AI
Large Language Models and Video Games: A Preliminary Scoping Review
The Australian National University(澳大利亚国立大学)
针对游戏领域LLM相关研究激增的现状,本文开展初步范围综述,梳理2022至2024年初76篇相关论文,聚焦游戏AI等四大方向,呈现领域早期状态并为后续研究奠基。
2024-03-05 cs.AI cs.HC
Understanding Game-Playing Agents with Natural Language Annotations
University of California, Berkeley(加州大学伯克利分校)
我们提供了一个包含10 K人类注释的围棋游戏的新数据集,并展示了如何将这些自然语言注释用作模型可解释性的工具。给定一个董事会状态及其相关评论,我们的方法使用线性探测来预测特定领域术语的提及(例如,ko,atari)从像AlphaGo Zero这样的游戏代理的中间状态表示。我们发现这些游戏概念被非平凡地编码在两个不同的策略网络中,一个通过模仿学习训练,另一个通过强化学习训练。此外,提到的领域特定的条款最容易预测从这两个模型的后面几层,这表明这些政策网络编码的高层次的抽象类似于那些使用的自然语言注释。
2022-04-15 cs.AI cs.CL
Visually Grounded Language Learning: a review of language games, datasets, tasks, and models
Heriot-Watt University(赫瑞-瓦特大学)
本文基于维特根斯坦“语言游戏”思想系统综述视觉+语言任务与模型,将其分为判别性、生成性和交互性三类,并指出未来应聚焦交互性游戏和物理具身以实现符号的视觉基础。
2023-12-05 cs.AI cs.CL
Knowledge Graph-enhanced Large Language Model for Incremental Game PlayTesting
Southwest University(西南大学);Waseda University(早稻田大学);Institute of Science Tokyo(东京科学研究院)
本文提出KLPEG框架,通过构建知识图谱积累游戏知识并利用LLMs解析更新日志进行多跳推理,精准定位增量更新影响范围并生成定制测试用例,显著提升了自动化playtesting的效率与准确性。
2025-11-04 cs.AI
A Survey on Large Language Model-Based Game Agents
Georgia Institute of Technology USA(佐治亚理工学院美国分校);Cisco Research USA(思科研究美国分公司)
综述基于大语言模型的游戏智能体,提出统一参考架构,从单智能体(记忆、推理、感知-行动接口)和多智能体(通信协议、组织模型)层面总结研究,并建立挑战导向的分类法连接六种游戏类型与智能体需求。
2026-06-08 cs.AI
Exploration Based Language Learning for Text-Based Games
HKUST(香港科技大学);Uber AI(优步人工智能实验室);UC-Davis(加州大学戴维斯分校)
这项工作提出了一种基于探索和模仿学习的代理,能够在玩基于文本的计算机游戏时具有最先进的性能。基于文本的计算机游戏通过自然语言向玩家描述他们的世界,并期望玩家使用文本与游戏交互。这些游戏是有趣的,因为它们可以被视为人工智能的语言理解、解决问题和语言生成的测试平台。此外,它们提供了一个学习环境,在这个环境中,这些技能可以通过与环境的交互而不是使用固定的语料库来获得。使这些游戏对学习代理特别具有挑战性的一个方面是组合的大动作空间。现有的解决基于文本的游戏的方法是有限的游戏,要么是非常简单的,或有一个动作空间限制到一个预定的一组可接受的行动。在这项工作中,我们建议使用的探索方法去探索解决基于文本的游戏。更具体地说,在最初的探索阶段,我们首先提取具有高回报的轨迹,之后我们通过模仿这些轨迹来训练策略以解决游戏。我们的实验表明,这种方法优于现有的解决方案,在解决基于文本的游戏,它是更有效的样本与环境的互动的数量。此外,我们表明,学习的政策可以推广比现有的解决方案看不见的游戏,而不使用任何限制的行动空间。
2020-06-08 cs.AI cs.CL
Think in Games: Learning to Reason in Games via Reinforcement Learning with Large Language Models
Tencent(腾讯)
本文提出 Think in Games(TiG)框架,将强化学习决策重构为语言建模任务,让 LLM 通过游戏交互获得程序性知识,并以更低数据与计算成本实现竞争力性能及自然语言可解释决策。
2025-08-29 cs.AI
Interactive Fiction Games: A Colossal Adventure
Microsoft Research(微软研究院);Georgia Institute of Technology(佐治亚理工学院);Microsoft Research Montréal(微软研究院蒙特利尔分院)
人类智能的一个标志是理解和交流语言的能力。交互式小说游戏是完全基于文本的模拟环境,玩家发出文本命令来影响环境的变化和故事的进展。我们认为,如果游戏是一个很好的测试平台,研究基于语言的自主智能体。特别是,IF游戏结合了组合动作空间、语言理解和常识推理的挑战。为了促进基于语言的代理的快速发展,我们介绍杰里科,人工IF游戏的学习环境,并进行了全面的研究,文本代理在一组丰富的游戏,突出的方向,代理可以改善。
2020-02-25 cs.AI cs.CL
EGG: a toolkit for research on Emergence of lanGuage in Games
Facebook AI(Facebook人工智能);Facebook AI Research(Facebook人工智能研究院);LSCP;ICREA
在开发支持语言的交互式人工智能的实际目标以及有关人类语言进化的理论问题的推动下,人们对模拟深层神经代理之间的语言出现重新产生了兴趣,这些代理通过通信来共同解决任务。然而,优化由离散通信通道(例如语言出现的通道)连接的深层架构在技术上具有挑战性。我们介绍EGG,一个工具包,大大简化了紧急语言通信游戏的实现。EGG的模块化设计提供了一组构建块,用户可以将其组合起来创建新游戏,轻松地导航优化和架构空间。我们希望该工具将降低技术壁垒,并鼓励来自不同背景的研究人员在这个令人兴奋的领域进行原创性工作。
2019-10-13 cs.AI cs.CL
Real Time Strategy Language
实时的战略(RTS)游戏提供了复杂的领域来测试最新的人工智能(AI)研究。在许多文献中,人工智能系统仅限于玩一个游戏。虽然这种专业化导致了更强大的AI游戏系统,但它并没有解决AI研究人员的关键问题。人工智能研究人员寻求开发能够自主解释学习和应用新知识的人工智能智能体。为了达到人类水平的性能,目前的AI系统依赖于专家的游戏特定知识。本文提出了完整的RTS语言,希望目前的研究重点转移到一般RTS代理的开发。一般RTS代理是可以玩任何RTS游戏的AI游戏系统,在RTS语言中定义。这防止了游戏特定知识被硬编码到系统中,从而促进了解决人工智能基本问题的研究。
2014-01-21 cs.AI
Playing the Werewolf game with artificial intelligence for language understanding
The University of Tokyo Hospital(东京大学医院);The University of Tokyo(东京大学)
《狼人》游戏是一款基于自由自然语言交流的社交演绎游戏,玩家为了生存,试图欺骗他人。这个游戏的一个重要特点是,很大一部分对话都是虚假信息,而人工智能(AI)在这种情况下的行为还没有得到广泛的调查。本研究的目的是开发一个能够通过自然语言对话扮演狼人的人工智能智能体。首先,我们收集了15名人类玩家的游戏日志。接下来,我们微调了一个基于transformer的预训练语言模型,以构建一个价值网络,该网络可以预测在游戏的任何给定阶段赢得游戏的后验概率,并给出下一个动作的候选者。然后,我们开发了一个人工智能智能体,它可以与人类交互,并根据其概率从价值网络中选择最佳投票目标。最后,我们通过让智能体与人类玩家一起玩游戏来评估智能体的性能。我们发现,我们的人工智能智能体Deep Wolf在扮演村民或背叛者角色时,可以像普通人类玩家一样有竞争力地扮演狼人,而Deep Wolf在扮演狼人或先知角色时不如人类玩家。这些结果表明,目前的语言模型有能力怀疑别人在说什么,说谎,或检测谎言的对话。
2023-02-21 cs.AI cs.CL
Exploring Large Language Models for Word Games:Who is the Spy?
本研究以“谁是卧底”游戏为例,提出基于思维链的无训练调度框架,提升大语言模型在文字游戏中的情境推理与身份伪装等能力,验证了其在结构化游戏社交互动中的潜力。
2025-03-19 cs.AI cs.CL
Learning Language Games through Interaction
Stanford University(斯坦福大学)
我们介绍了一种新的语言学习设置相关的建设自适应自然语言接口。它的灵感来自维特根斯坦的语言游戏:一个人希望完成一些任务(例如,实现块的特定配置),但是只能与执行实际动作的计算机通信(例如,移除所有红色块)。计算机最初对语言一无所知,因此必须通过交互从头开始学习,而人类则适应计算机的能力。我们在一个积木世界中创建了一个游戏,并收集了100名参与者的互动。首先,我们分析了人类的策略,表明使用组合性和避免同义词与任务绩效呈正相关。其次,我们比较计算机策略,展示如何快速从头开始学习语义解析模型,以及建模语用学进一步加速成功玩家的学习。
2016-06-08 cs.AI cs.CL
Concept Generalization in Humans and Large Language Models: Insights from the Number Game
Department of Biomedical Engineering, Sungkyunkwan University, South Korea(生物医学工程系,全州大学,韩国)
研究通过数字游戏对比人类与大语言模型在概念泛化上的差异,揭示人类灵活的推理策略与LLM依赖数学规则的本质区别。
2025-12-23 cs.AI
Re-conceptualising the Language Game Paradigm in the Framework of Multi-Agent Reinforcement Learning
Vrije Universiteit Brussel(布鲁塞尔自由大学);KU Leuven(鲁汶大学)
在本文中,我们制定的挑战重新概念化的语言游戏实验范式的框架内的多智能体强化学习(MARL)。如果成功的话,未来的语言游戏实验将受益于MARL社区快速和有前途的方法进步,而未来的MARL学习紧急通信实验将受益于语言游戏实验的见解和结果。我们坚信,这种异花授粉有可能在模拟类人语言如何在多智能体系统中出现和进化方面取得重大突破。
2020-04-09 cs.AI cs.CL cs.LG
What-If Analysis of Large Language Models: Explore the Game World Using Proactive Thinking
NUS(新加坡国立大学);ZJU(浙江大学);Tencent(腾讯)
WiA-LLM通过前瞻性思维提升大型语言模型在复杂游戏环境中的决策能力,实现74.2%的预测准确率和更接近专家玩家的策略行为。
2026-01-10 cs.AI
GameTraversalBenchmark: Evaluating Planning Abilities Of Large Language Models Through Traversing 2D Game Maps
University of the Witwatersrand(威特沃特斯兰德大学);New York University(纽约大学)
本文提出GameTraversalBenchmark(GTB),通过2D网格游戏地图评估LLMs的规划能力,发现GPT-4-Turbo得分44.97%,推理模型o1得分67.84%,表明该基准仍具挑战性。
2024-10-10 cs.AI cs.CL
State-Inference-Based Prompting for Natural Language Trading with Game NPCs
Amazon(亚马逊)
针对大型语言模型在游戏NPC交易中易违反规则的问题,提出SIBP方法,通过在统一提示框架内将交易分解为六个状态并实现上下文感知引用与占位符计算,显著提升了状态合规率、引用准确率和计算精度,为可信赖的NPC交互奠定基础。
2025-07-09 cs.AI
Language Model-In-The-Loop: Data Optimal Approach to Learn-To-Recommend Actions in Text Games
Mila - Quebec AI Institute(魁北克人工智能研究所);Ecole Polytechnique de Montreal(蒙特利尔理工学院);University of Montreal(蒙特利尔大学);Canada CIFAR AI Chair(加拿大CIFAR人工智能讲席)
本文提出在学习文本游戏过程中动态更新LLM(如GPT-2)以推荐动作,减少对人类注释数据的依赖,但迁移性不一致。
2023-11-13 cs.AI cs.CL cs.LG
A Survey on Large Language Model-Based Social Agents in Game-Theoretic Scenarios
The University of Hong Kong(香港大学);National University of Singapore(新加坡国立大学);Institute for Infocomm Research (I2R), A*STAR(新加坡科技研究局信息通信研究院);Peking University(北京大学);Harbin Institute of Technology(哈尔滨工业大学)
本文系统综述了基于大语言模型的博弈论场景社交智能体研究,从博弈框架、社交智能体和评估协议三方面归纳进展,并分析表现与未来方向。
2025-07-20 cs.AI cs.CL
Modular Discovery of General Game-Playing Algorithms with Large Language Models
本文提出多智能体LLM元学习系统,在C++中模块化进化通用游戏搜索算法,经400+环境与15个MCTS基线对比,取得顶级评级并泛化至新游戏。
2026-09-29 cs.AI cs.GT cs.MA
Compiling VGDL into Causal Models
提出将视频游戏描述语言编译为动态结构因果模型的确定性框架,直接翻译游戏组件为结构方程,保证因果保真度,支持反事实推理与因果强化学习。
2026-09-09 cs.AI
Playing Language Game with LLMs Leads to Jailbreaking
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
本文基于不匹配泛化提出自然语言游戏和自定义语言游戏两种越狱方法,在多个LLM平台实现高攻击率,并通过实验发现LLMs的安全对齐知识无法跨语言格式泛化,为相关研究开辟新途径。
2024-11-27 cs.AI cs.CL
Language as Reality: A Co-Creative Storytelling Game Experience in 1001 Nights using Generative AI
Royal College of Art(皇家艺术学院);Tsinghua University(清华大学);KAIST(韩国科学技术院)
本文介绍AI原生游戏《一千零一夜》,玩家通过与GPT-4等大语言模型驱动的角色共创故事,将对话关键词转化为战斗装备,探索AI生成内容拓展叙事游戏类型及AI原生玩法的可能性。
2023-09-18 cs.AI cs.HC
Steering Language Models with Game-Theoretic Solvers
Google DeepMind(谷歌DeepMind)
该研究提出一个框架,将博弈论均衡求解器应用于LLM对话空间,通过建模玩家、策略和收益,引导模型生成更稳健、收益更高的谈判语言。
2024-12-16 cs.AI cs.CL cs.GT
From Gameplay Traces to Game Mechanics: Causal Induction with Large Language Models
Institute for Information Processing, Leibniz University Hannover, Germany(汉诺威莱布尼茨大学信息处理研究所);SDU Metaverse Lab, University of Southern Denmark, Denmark(丹麦南方大学元宇宙实验室)
本文提出利用大语言模型进行因果推理,通过从游戏行为追踪中推断出视频游戏描述语言规则,以更准确地理解游戏机制。
2026-01-30 cs.AI cs.CV cs.LG
Game Agent Driven by Free-Form Text Command: Using LLM-based Code Generation and Behavior Branch
University of Tokyo(东京大学)
本文提出一种基于LLM代码生成和行为分支的游戏代理系统,能理解自由形式自然语言命令,并在模拟宝可梦环境中验证其有效性。
2024-02-12 cs.AI
Collaboration and Conflict between Humans and Language Models through the Lens of Game Theory
Microsoft Redmond(微软红mond)
本研究以重复囚徒困境为框架,通过阿克塞尔罗德式锦标赛与策略切换实验,发现语言模型智能体具备强合作策略特质且适应性堪比人类,首次系统刻画了其长期合作行为。
2025-09-05 cs.AI
Game of Thought: Robust Information Seeking with Large Language Models Using Game Theory
Department of Computer Science, National University of Singapore, 13 Computing Drive, Singapore 117417(新加坡国立大学计算机科学系)
本文提出Game of Thought框架,通过博弈论技术提升大型语言模型在信息检索中的鲁棒性,实验证明其在最坏情况下的性能优于传统方法。
2026-02-02 cs.AI cs.CL cs.GT
Can Language Models Play the Wikipedia Game?
The Alan Turing Institute(阿兰·图灵研究所)
该研究通过维基百科游戏测试语言模型的信息检索能力,发现GPT-o3 mini等最佳模型表现与人类相当但未显著优于人类,性能随语言和主题变化,为相关技术从业者提供启示。
2026-10-12 cs.AI cs.IR
Learning Chess With Language Models and Transformers
Whiting School of Engineering, Johns Hopkins University(约翰斯·霍普金斯大学怀廷工程学院)
通过基于文本的符号表示棋盘游戏及其位置,使NLP应用成为可能。语言模型,可以帮助深入了解各种有趣的问题,如游戏的无监督学习规则,检测玩家的行为模式,玩家归因,并最终学习游戏击败最先进的状态。在这项研究中,我们应用BERT模型,首先对简单的Nim游戏进行分析,以分析其在少样本学习架构中存在噪声时的性能。我们通过三个虚拟玩家,即Nim Guru,Random Player和Q-learner,分析了模型的性能。在第二部分中,我们将游戏学习语言模型应用到国际象棋游戏中,以及一大组具有详尽百科全书开口的特级大师游戏。最后,我们已经证明,该模型实际上学习了国际象棋游戏的规则,并且可以在A类评级水平下与Stockfish进行比赛。
2022-09-24 cs.AI cs.CL cs.GT
Language as Mathematical Structure: Examining Semantic Field Theory Against Language Games
TWT Science & Innovation(TWT科学与创新);NIKI - Digital Engineering(NIKI数字工程)
本文通过对比语义场理论与语言游戏,探讨语言的数学结构与社会建构的互补性,提出新的理论指导AI架构的方向。
2026-01-01 cs.AI cs.CL
Improving Cooperation in Language Games with Bayesian Inference and the Cognitive Hierarchy
Brigham Young University(杨百翰大学)
本文提出结合贝叶斯推断与认知层级建模伙伴类型,处理语义和语用不确定性,在Codenames游戏中提升合作表现。
2024-12-16 cs.AI cs.GT
Large Language Models and Games: A Survey and Roadmap
Institute of Digital Games, University of Malta(马耳他大学数字游戏研究所);Tandon School of Engineering, New York University(纽约大学坦登工程学院)
本文作为大语言模型与游戏交叉领域的首份全面综述与路线图,调研了LLMs在游戏中的各类应用及角色,探讨了未来方向,并梳理了其潜力与局限性,为该领域研究创新奠定基础。
2024-12-09 cs.AI cs.CL cs.HC