Actionable Entities Recognition Benchmark for Interactive Fiction
University of Lisbon(里斯本大学)
本文提出了一个新的自然语言处理任务-可操作实体识别(AER)-识别主角可以与之交互的实体,以进一步发展情节。虽然它与经典的命名实体识别(NER)类似,但又有着深刻的区别。特别是,它对于交互式小说至关重要,因为智能体需要检测未来可能有用的实体。我们还讨论了AER是否可能进一步有助于处理叙事处理的系统,因为可操作的实体深刻地影响了故事中的因果关系。我们在两个以前可用的数据集上验证了所提出的任务,并为AER任务提出了一个新的基准数据集,该数据集包括5550个具有一个或多个可操作实体的描述。
2022-11-16 cs.AI cs.CL cs.IR
Collecting Interactive Multi-modal Datasets for Grounded Language Understanding
Microsoft Research(微软研究院);University of Waterloo(滑铁卢大学);Meta Research(Meta研究院);Moscow Institute of Physics Technology(莫斯科物理技术学院);Artificial Intelligence Research Institute(人工智能研究院)
人类智能可以迅速适应新的任务和环境。从很小的时候开始,人类通过模仿他人的行为或遵循提供的自然语言指令来获得新技能并学习如何解决新任务。为了促进研究,可以使类似的能力,在机器上,我们做了以下贡献(1)形式化的协作体现代理使用自然语言任务;(2)开发了一个工具,广泛和可扩展的数据汇集;(3)收集的第一个数据集交互接地语言理解。
2023-03-21 cs.AI cs.CL
PhysGym: Benchmarking LLMs in Interactive Physics Discovery with Controlled Priors
Center of Excellence for Generative AI, KAUST(生成人工智能卓越中心,KAUST);The Swiss AI Lab, IDSIA-USI/SUPSI(瑞士人工智能实验室,IDSIA-USI/SUPSI);NNAISENSE Principia-AI/PhysGym(NNAISENSE 原初人工智能/PhysGym)
PhysGym是一个交互式物理发现基准,通过精细控制先验知识水平,评估LLM智能体在不同任务复杂性下的科学推理能力,并提供标准化评估协议以区分模型性能。
2025-10-26 cs.AI cs.LG physics.soc-ph
AppWorld: A Controllable World of Apps and People for Benchmarking Interactive Coding Agents
Stony Brook University(石溪大学);Allen Institute for AI(艾伦人工智能研究所);Saarland University(萨尔大学)
针对现有工具使用基准仅支持简单API调用的不足,构建了包含9个应用和457个API的AppWorld执行环境及750项任务的基准,揭示GPT-4o等模型在交互式编码任务上的局限性。
2024-07-26 cs.AI cs.CL cs.LG
Benchmarking Feature Upsampling Methods for Vision Foundation Models using Interactive Segmentation
University of Tübingen(图宾根大学);Bosch Center for Artificial Intelligence(博世人工智能中心);Tübingen AI Center(图宾根人工智能中心)
本文提出以交互式分割作为新基准,系统评测视觉基础模型上不同特征上采样方法的有效性,实验表明选择合适的上采样策略能显著提升VFM特征质量。
2025-05-04 cs.AI cs.CV cs.LG
RClicks: Realistic Click Simulation for Benchmarking Interactive Segmentation
AIRI;Lomonosov Moscow State University(莫斯科罗蒙诺索夫国立大学)
该研究通过475K真实用户点击构建可点击性模型,提出RClicks基准,以评估交互式分割方法在真实点击模式下的平均质量与鲁棒性。
2024-10-24 cs.AI cs.CV cs.HC
BAIT: Benchmarking (Embedding) Architectures for Interactive Theorem-Proving
Australian National University(澳大利亚国立大学);Defence Science and Technology Group(国防科学技术集团);BIMLOGIQ;Google DeepMind(谷歌DeepMind)
针对交互式定理证明(ITP)研究分散、方法难比较的问题,提出BAIT框架,通过比较公式嵌入的先进架构、评估端到端证明性能,为ITP学习方法提供公平简化的比较基准,助力未来研究。
2024-03-06 cs.AI cs.LG cs.LO
DeSIQ: Towards an Unbiased, Challenging Benchmark for Social Intelligence Understanding
Monash University(莫纳什大学)
本文发现Social-IQ基准存在严重偏差,提出经扰动构建的新数据集DeSIQ以显著降低偏差,并系统分析了模型规模、多模态等因素对社会智能理解性能的影响。
2023-10-24 cs.AI cs.CL
InterCode: Standardizing and Benchmarking Interactive Coding with Execution Feedback
Princeton University(普林斯顿大学)
本文提出 InterCode 框架,将交互式编程标准化为强化学习环境,以代码为动作、执行反馈为观测,并在 Bash、SQL 和 Python 三个环境中验证其能有效提升 LLM 的代码生成能力。
2023-10-30 cs.CL cs.LG cs.SE
DFEE: Interactive DataFlow Execution and Evaluation Kit
AWS AI Labs(亚马逊云科技人工智能实验室)
DataFlow由于其对对话任务的表达性语义表示而成为构建面向任务的聊天机器人的新范式。尽管有大型数据集SMCalFlow和简化的语法,但由于系统复杂性和缺乏下游工具链,基于DataFlow的聊天机器人的开发和评估仍然具有挑战性。在这个演示中,我们提出了DFEE,一个交互式的数据流执行和评估工具包,支持执行,可视化和基准测试的语义分析器给定的对话输入和后端数据库。我们通过一个复杂的对话任务演示了该系统:涉及时间推理的事件调度。它还支持通过友好的界面诊断解析结果,该界面允许开发人员检查动态DataFlow和相应的执行结果。为了说明如何对SoTA模型进行基准测试,我们提出了一个新的基准测试,该基准测试涵盖了更复杂的事件调度场景和任务成功评估的新指标。DFEE的代码已在https://github.com/amazonscience/dataflow-evaluation-toolkit上发布。
2022-12-04 cs.AI cs.CL
RadioActive: 3D Radiological Interactive Segmentation Benchmark
German Cancer Research Center (DKFZ)(德国癌症研究中心);Helmholtz Imaging(亥姆霍兹成像中心);University of Heidelberg(海德堡大学)
针对现有3D放射学交互式分割模型的交互局限与评估缺陷,研究提出RadioActive基准与先进提示技术,实验发现SAM2优于专用医学模型,为该领域提供了可复现的公平评估框架。
2025-03-21 cs.AI cs.CV cs.HC
Mapping global dynamics of benchmark creation and saturation in artificial intelligence
Medical University of Vienna(维也纳医科大学);ITTM S.A.—Information Technology for Translational Medicine(ITTM S.A.——转化医学信息技术公司);University of Oxford(牛津大学);Future of Humanity Institute, University of Oxford(牛津大学人类未来研究所)
基准对于衡量和指导人工智能(AI)的进展至关重要。然而,最近的研究对AI基准测试的状况提出了担忧,报告了基准过度拟合、基准饱和和基准数据集创建日益集中等问题。为了便于监测AI基准生态系统的健康状况,我们引入了用于创建基准创建和饱和度全球动态的浓缩地图的方法。我们整理了3765个基准测试的数据,涵盖了计算机视觉和自然语言处理的整个领域,并表明很大一部分基准测试很快趋于接近饱和,许多基准测试未能得到广泛利用,并且不同人工智能任务的基准测试性能增益很容易出现不可预见的爆发。我们分析了与基准测试流行度相关的属性,并得出结论,未来的基准测试应该强调多功能性,广度和现实世界的效用。
2022-10-07 cs.AI cs.CL cs.CV
InSight: A Benchmark for Agentic Claim Verification in Interactive Visualizations
City, University of London(伦敦城市大学);Imperial College London(帝国理工学院);The Alan Turing Institute(艾伦·图灵研究所)
本文提出InSight基准,用于交互式可视化中的智能体主张验证,含21349条主张,评估显示交互式验证仍是重大挑战,相关资源已发布。
2026-09-02 cs.CL cs.CV cs.HC
DETOUR: An Interactive Benchmark for Dual-Agent Search and Reasoning
Patronus AI;DAP Lab(DAP实验室);Columbia University(哥伦比亚大学)
DETOUR基准通过双智能体机制评估双智能体搜索与推理能力,揭示现有模型在模糊不明确场景下的不足。
2026-01-30 cs.CL
BENCHIP: Benchmarking Intelligence Processors
Cambricon(寒武纪);Alibaba Infrastructure Service, Alibaba Group(阿里巴巴集团阿里巴巴基础设施事业群);IFLYTEK(科大讯飞);RDA Microelectronics(锐迪科微电子);AMD(超威半导体(AMD))
对深度学习的日益关注极大地刺激了智能处理硬件的设计。各种新兴的智能处理器需要标准的基准来进行公平的比较和系统优化(软件和硬件)。然而,现有的基准是不适合基准的智能处理器,由于其非多样性和非代表性。此外,缺乏标准的基准方法进一步加剧了这一问题。在本文中,我们提出了BENCHIP,一个基准套件和基准测试方法的智能处理器。BENCHIP中的基准测试套件由两组基准测试组成:微基准测试和宏基准测试。微基准测试由单层网络组成。它们主要用于瓶颈分析和系统优化。宏观基准包含最先进的工业网络,以提供不同平台的现实比较。我们还提出了一个标准的基准测试方法,建立在一个工业软件栈和评估指标,全面反映了评估的智能处理器的各种特性。BENCHIP用于评估各种硬件平台,包括CPU,GPU和加速器。BENCHIP很快就会开源。
2017-11-25 cs.AI cs.PF
macOSWorld: A Multilingual Interactive Benchmark for GUI Agents
Show Lab, National University of Singapore(新加坡国立大学Show实验室)
本文提出 macOSWorld,一个含 202 项多语言任务和安全子集的 macOS GUI 智能体基准,评估显示模型成功率、语言泛化与抗欺骗能力均存在明显不足。
2025-10-18 cs.AI
BIS: NL2SQL Service Evaluation Benchmark for Business Intelligence Scenarios
Huawei Ireland Research Centre(华为爱尔兰研究中心);Trinity College Dublin(都柏林圣三一学院);Huawei Technologies Co., Ltd.(华为技术有限公司)
针对现有NL2SQL基准不适用于生产级商业智能场景的问题,研究构建了聚焦工业BI典型自然语言问题的BIS基准,明确了相关构建挑战与现有基准缺陷,设置了对应问题分类,并提出两种新型语义相似度评估指标以衡量BI场景下的NL2SQL能力。
2024-10-30 cs.AI
Making Intelligence: Ethical Values in IQ and ML Benchmarks
AI Risk and Vulnerability Alliance(人工智能风险与脆弱性联盟);Capital One(第一资本)
本文指出ML基准与人类智能基准在结构上相似且均承载伦理价值,借鉴女性主义科学哲学论证基准创建需考虑并记录价值,并提出研究伦理建议。
2023-05-11 cs.CY cs.LG
TELEVAL: A Benchmark Designed for Spoken Language Models in Chinese Interactive Scenarios
Institute of Artificial Intelligence (TeleAI), China Telecom(人工智能研究院(TeleAI)、中国电信)
TELEVAL是一个为中国语音交互场景设计的动态基准,旨在评估语音语言模型在真实对话中的表现,强调内容准确性和互动适当性,揭示当前模型在自然交互回应上的不足。
2026-08-25 cs.AI cs.CL cs.SD
Inter3D: A Benchmark and Strong Baseline for Human-Interactive 3D Object Reconstruction
Shenzhen University(深圳大学);Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)(广东省人工智能与数字经济实验室(深圳));Shanghai AI Laboratory(上海人工智能实验室)
针对人类交互式多部件物体离散状态重建需指数级模型的问题,本文提出 Inter3D 基准、自采数据集与评估流程,并以 Space Discrepancy Tensors、互状态正则化和占据网格采样构建强基线。
2025-02-19 cs.GR cs.LG
ClawForge: Generating Executable Interactive Benchmarks for Command-Line Agents
University of North Carolina at Chapel Hill(北卡罗来纳大学切里波因特分校);Stanford University(斯坦福大学);University of California, Berkeley(加州大学伯克利分校);University of Southern California(南加州大学);University of California, Santa Cruz(加州大学圣克鲁兹分校)
ClawForge通过生成可执行的交互式基准测试,解决了可扩展性与真实工作流评估之间的矛盾,通过系统测试代理在存在状态冲突时的处理能力。
2026-05-18 cs.AI
Evaluating Interactive Summarization: an Expansion-Based Framework
Bar-Ilan University(巴伊兰大学);UNC Chapel Hill(北卡罗来纳大学教堂山分校);Peres Academic Center(佩雷斯学术中心)
允许用户与多文档摘要器交互是改进和定制摘要结果的一个有前途的方向。在以前的工作中已经提出了不同的想法,交互式摘要,但这些解决方案是高度分歧和不可比拟的。在本文中,我们开发了一个端到端的评估框架,扩展为基础的交互式摘要,它认为沿着一个交互式会话的信息积累。我们的框架包括一个程序,收集真实的用户会话和评估措施,依赖于标准,但适应于反映互动。我们所有的解决方案都打算作为基准公开发布,以便比较交互式摘要的未来发展。我们展示了我们的框架的使用,通过评估和比较基线实现,我们为此目的,这将作为我们的基准的一部分。我们对这些系统的广泛实验和分析激励了我们的设计选择,并支持我们框架的可行性。
2020-09-17 cs.CL
DashAct: A Progressive Diagnostic Benchmark for GUI Agents in Interactive Dashboard Analysis
Zhejiang University(浙江大学)
DashAct是首个细粒度诊断GUI代理在交互式仪表板分析中失败的基准,通过渐进式诊断级联评估端到端执行、动作预测和视觉定位,揭示当前模型在逐步支持下的瓶颈并提供改进指导。
2026-10-20 cs.AI cs.HC
FormFactory: An Interactive Benchmarking Suite for Multimodal Form-Filling Agents
National University of Singapore(新加坡国立大学);Wuhan University(武汉大学);Zhejiang University(浙江大学);Nanjing University(南京大学)
本文提出FormFactory交互式评测套件,系统评估多模态大语言模型在表单填写任务上的表现,发现现有模型准确率均低于5%,揭示了其在视觉布局推理和字段对齐方面的关键局限。
2025-06-02 cs.CL
The GenAI4IDN Benchmark 3.0 - a Public Tool to Assess Generative AI Tools for the Design of Interactive Digital Narratives
Södertörn University(南泰尔恩大学);Stockholm University(斯德哥尔摩大学)
本文提出GENAI4IDN Benchmark 3.0,一个基于Web的AI辅助评估框架,用于盲评生成式AI在交互式数字叙事中的创作能力,并新增事实核查与偏见检测任务,以应对模型局限。
2026-10-06 cs.AI
Fluidity Index: Next-Generation Super-intelligence Benchmarks
QueueLab
本文提出Fluidity Index(FI)基准,用于量化模型在动态规模化环境中的适应性,通过评估状态偏差和上下文切换,强调闭环开放式基准,并指出超级智能需具备二阶适应性以实现自持续计算。
2025-10-23 cs.AI
Can Agent Benchmarks Support Their Scores? Evidence-Supported Bounds for Interactive-Agent Evaluation
The University of Sydney(悉尼大学)
本文提出一种证据报告层,通过验证存储的艺术品来提高交互代理评估的可靠性,明确区分不同失败模式。
2026-05-11 cs.AI
Deep Generative Multi-Agent Imitation Model as a Computational Benchmark for Evaluating Human Performance in Complex Interactive Tasks: A Case Study in Football
评估人类的表现是许多应用中的共同需求,例如在工程和运动中。在评估人类在完成复杂和交互式任务时的表现时,最常见的方法是使用已被证明对该环境有效的度量标准,或者使用主观测量技术。然而,这可能是一个容易出错和不可靠的过程,因为静态度量无法捕捉与这些任务相关的所有复杂上下文,并且主观测量中存在偏差。我们研究的目标是创建数据驱动的AI代理作为计算基准,以评估人类在解决涉及多个人类和上下文因素的困难任务时的表现。我们在足球表现分析的背景下证明了这一点。我们训练一个生成模型的基础上的条件变分递归神经网络(VRNN)模型的大型球员和球跟踪数据集。训练后的模型用于模拟两个团队之间的交互,并预测每个团队的表现。然后将训练好的条件VRNN模型作为评估团队绩效的基准。在英超足球数据集上的实验结果表明,我们的方法对足球分析中使用的现有最先进的静态度量是有用的。
2023-03-23 cs.LG cs.MA stat.ML
PEEKABOO: Interactive Video Generation via Masked-Diffusion
Microsoft(微软);University of Washington(华盛顿大学)
本文提出首个为扩散视频模型提供时空控制的解决方案 Peekaboo,通过即插即用的掩码注意力模块实现无需额外训练的交互式生成,并构建综合基准,在保持延迟下 mIoU 提升 3.8 倍。
2024-04-19 cs.CV cs.LG
When Seeing Is Not Enough: Benchmarking Interactive Visual Grounding in LVLMs
Stony Brook University(石溪大学)
本文针对大视觉语言模型(LVLMs)提出交互式视觉定位的受控评估框架,发现当前LVLMs表现低于人类基线,主动提问式定位困难且校准不佳,该任务仍具挑战性。
2026-09-01 cs.AI cs.CV
PixelArena: A benchmark for Pixel-Precision Visual Intelligence
Nanyang Technological University(南洋理工大学)
PixelArena提出通过语义分割任务以像素精度评估多模态模型的细粒度生成能力,发现Gemini 3 Pro在零样本设置下展现高保真语义掩码生成能力,揭示了视觉智能的新进展。
2026-01-09 cs.AI cs.CV
Bench4Merge: A Comprehensive Benchmark for Merging in Realistic Dense Traffic with Micro-Interactive Vehicles
Institute for AI Industry Research (AIR), Tsinghua University(清华大学人工智能产业研究院(AIR));College of Energy Engineering, Zhejiang University(浙江大学能源工程学院);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Didi Chuxing(滴滴出行)
针对密集交通中汇入场景评估困难的问题,提出闭环评估基准Bench4Merge,利用微观交互车辆和LLM重构评估机制,全面评估并揭示现有运动规划方法的问题。
2025-04-02 cs.AI cs.RO
SOTOPIA: Interactive Evaluation for Social Intelligence in Language Agents
Carnegie Mellon University(卡内基梅隆大学)
提出SOTOPIA开放环境模拟复杂社会互动,通过SOTOPIA-Eval框架评估代理社会智能,发现GPT-4在困难场景中目标完成率低于人类且缺乏社会常识推理能力。
2024-03-22 cs.AI cs.CL cs.LG
StreamAV-Bench: A Comprehensive Benchmark for Streaming Audio-Video Generation
BAAI(北京智源人工智能研究院);PKU(北京大学);Kling;THU(清华大学);USTC(中国科学技术大学)
该研究针对现有基准无法捕捉流式音视频生成特性的问题,推出首个综合基准StreamAV-Bench,构建含双赛道的评估框架并评估13个系统,揭示当前模型的缺陷并给出模型开发见解。
2026-08-28 cs.CV cs.MM cs.SD
Improved Explanatory Efficacy on Human Affect and Workload through Interactive Process in Artificial Intelligence
School of Computing, KAIST(韩国科学技术院计算机学院)
尽管最近在可解释的人工智能系统领域取得了进展,但用于评估此类系统可用性的具体量化措施尚不存在。确保解释性界面在与用户交互方面的成功需要人类和人工智能之间的循环共生关系。因此,我们提出了解释功效,一种新的衡量标准,用于评估强度的循环关系的接口展品。此外,在一项用户研究中,我们评估了感知的影响和工作量,并记录了参与者与我们定制的迭代解释界面互动时的EEG信号,以构建个性化推荐系统。我们发现,系统的感知驱动的迭代任务具有更大的解释功效的特点是统计上显着的半球差异的神经信号与62.4%的准确性,表明神经相关的解释功效的措施的可行性。这些发现对于旨在研究人类-人工智能伙伴关系的循环生态系统的研究人员来说是有益的。
2020-10-23 cs.AI cs.HC cs.LG
Interactive Restless Multi-armed Bandit Game and Swarm Intelligence Effect
Kitasato University(北里大学);Financial Services Agency(金融厅)
我们得到了在一个不安分的多臂强盗(rMAB)互动博弈中出现群体智能效应的条件。一个玩家与多个代理人竞争。每一个强盗都有一个收益,每一轮的概率为$p_{c}$。智能体和玩家选择三个选项之一:(1)利用(一个好的强盗),(2)创新(从$n_{I}$随机选择的强盗中学习一个好的强盗),(3)观察(一个好的强盗的社会学习)。每个代理都有两个参数$(c,p_{obs})$来指定决策:(i)$c$,利用的阈值,以及(ii)$p_{obs}$,学习中观察的概率。参数$(c,p_{obs})$均匀分布。我们确定的最佳策略的球员使用完整的知识rMAB。我们展示了在$(p_{c},n_{I})$空间中社会学习或非社会学习是否更优,并定义了群体智能效应。我们进行了一个实验室实验(67名受试者),并观察群体智能效应,只有当$(p_{c},n_{I})$被选择,使社会学习是远远优于非社会学习。
2015-03-13 cs.AI cs.LG physics.data-an
Human-in-the-loop Embodied Intelligence with Interactive Simulation Environment for Surgical Robot Learning
The Chinese University of Hong Kong(香港中文大学);T Stone Robotics Institute, CUHK(香港中文大学T Stone机器人研究院)
本文扩展SurRoL仿真器,构建支持输入设备交互的人在回路手术机器人学习平台,并通过人类演示与强化学习验证其学习效率提升,同时发布五个训练任务。
2023-06-06 cs.AI cs.CV cs.LG
Redefining Robot Generalization Through Interactive Intelligence
针对主流范式将机器人视为单一自主决策者、难以适配半自主人机交互场景的问题,本文提出受神经科学启发的四模块交互多智能体架构,强调机器人基础模型需转向该视角以提升泛化能力与性能。
2025-02-09 cs.AI cs.LG cs.RO
InterIntent: Investigating Social Intelligence of LLMs via Intention Understanding in an Interactive Game Context
University of Southern California(南加州大学)
该研究提出InterIntent框架,从四个社会智能维度对应四类游戏任务评估大语言模型的意图理解能力,发现其意图选择准确率达88%但推断他人意图弱于人类20%,为LLM社会智能评估提供了新的结构化测试方案。
2024-11-03 cs.AI
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
IXAII: An Interactive Explainable Artificial Intelligence Interface for Decision Support Systems
TU Dortmund University(杜伊斯堡- Essen大学);University of Duisburg-Essen(杜伊斯堡-埃森大学)
针对现有可解释AI方法静态且忽略用户视角的局限,开发了名为IXAII的交互式可解释智能系统,融合四种可解释AI方法并为五类用户群体提供定制视图,显著提升了系统透明度与人机交互体验。
2025-06-26 cs.AI cs.SE
PlaySuite: A Large-Scale Benchmark for Interactive Visual Intelligence
PlaySuite是一个大规模基准,通过5000多个开源游戏评估交互式视觉智能,揭示当前模型存在感知-行动差距,为动态环境中的智能体发展提供测试平台。
2026-10-07 cs.AI cs.CV
Design and development of a software system for swarm intelligence based research studies
Usak University(乌沙克大学)
本文介绍了一个软件系统,包括广泛使用的群体智能算法或方法,用于相关的科学研究与主题领域的研究。该系统的编程基础设施允许在一个快速,易于使用,交互式平台上工作,以更有效,高效和准确的方式执行基于群体智能的研究。从这个意义上说,该系统采用了所有必要的控制算法,它确保了一个互动的平台上,计算机用户可以进行研究的范围广泛的解决方案与简单的问题,也更先进的问题。
2017-04-03 cs.AI cs.SE
IMAIA: Interactive Maps AI Assistant for Travel Planning and Geo-Spatial Intelligence
Microsoft(微软);Amazon(亚马逊)
IMAIA通过自然语言交互整合矢量地图和卫星影像,结合地理空间信息提升地图相关问答和摄像头到地点的关联能力,实现空间感知的对话式地图系统。
2026-03-16 cs.AI cs.CV
Evaluating Cognitive Age Alignment in Interactive AI Agents
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Shenzhen Children's Hospital(深圳儿童医院);Peking University(北京大学);Hong Kong Polytechnic University(香港理工大学)
本文提出ChildAgentEval,首个基于心理测量的交互式基准,用于评估基于多模态大语言模型的代理的认知年龄对齐,通过与年龄特定的人类发展阶段进行系统比较,揭示当前代理在模拟年龄特定认知行为方面的优劣。
2026-05-18 cs.AI
Artificial Intelligence Systems applied to tourism: A Survey
人工智能(AI)一直在提高系统在各种任务中的性能,并引入了更具交互性的个人代理一代。尽管目前人工智能在很多领域都有应用的趋势,但我们还没有看到为旅游业开发同样数量的工作。本文报告了为旅游业开发的人工智能系统的主要应用以及该行业的最新技术水平。本文还提供了一个最新的调查这一领域的几个关键工程和系统,适用于旅游业,如个人代理,提供一个更具互动性的经验。我们还深入研究了预测交通人流的系统,更准确的推荐系统,甚至地理空间如何试图以更信息化的方式显示旅游数据并在问题出现之前预防问题。
2021-03-01 cs.AI
Building Socio-Affective Artificial Intelligence for Interactive Multi-Agent Simulations
Escola de Noves Tecnologies Interactives (ENTI), Universitat de Barcelona(巴塞罗那大学新交互技术学院(ENTI))
本文提出AGIMUD软件架构,整合社会情感推理、人类多模态交互和分布式AI处理,实现人类与多智能体在模拟动态世界中的实时交互。
2026-10-01 cs.AI cs.CY cs.GT
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
MediQ: Question-Asking LLMs and a Benchmark for Reliable Interactive Clinical Reasoning
University of Washington(华盛顿大学);Carnegie Mellon University(卡内基梅隆大学);Cornell Tech(康奈尔科技学院);Allen Institute for AI(艾伦人工智能研究所)
针对交互式临床推理中LLM可靠性不足的问题,提出MediQ基准和主动提问系统,通过弃权策略提升诊断准确率22.3%,并验证了过滤上下文与对话重格式化的有效性。
2024-11-07 cs.AI cs.CL
Emotional intelligence in large language models is fragmented across perception, cognition, and interaction
X-LANCE Lab(X-LANCE实验室);School of Computer Science, Shanghai Jiao Tong University(上海交通大学计算机科学学院);MoE Key Lab of Artificial Intelligence(人工智能MOE重点实验室);Jiangsu Key Lab of Language Computing(江苏省语言计算重点实验室);Beijing Key Laboratory of Applied Experimental Psychology(北京应用实验心理学重点实验室);National Demonstration Center for Experimental Psychology Education, Faculty of Psychology, Beijing Normal University(北京师范大学实验心理学教育国家级示范中心,心理学学院)
本文提出FACET框架,基于Mayer-Salovey-Caruso四分支能力模型评估大型语言模型的情商,发现其并非单一能力,而是在认知和交互维度上碎片化,且隐藏情绪识别是普遍瓶颈。
2026-05-23 cs.AI
AlphaCast: A Human Wisdom-LLM Intelligence Co-Reasoning Framework for Time Series Forecasting
State Key Laboratory of Cognitive Intelligence, University of Science and Technology of China(中国科学技术大学认知智能国家重点实验室)
AlphaCast提出一种交互驱动的代理推理框架,利用无训练大语言模型实现准确的时间序列预测,通过多阶段工作流整合上下文准备、基于推理的生成和反思评估,将预测转化为多轮自主交互过程。
2026-10-12 cs.AI
RiskWebWorld: A Realistic Interactive Benchmark for GUI Agents in E-commerce Risk Management
Ant Group(蚂蚁集团)
RiskWebWorld是一个用于评估GUI代理在电子商务风险管理中能力的现实交互基准,揭示了通用模型与专用模型在长周期专业任务中的显著能力差距。
2026-04-15 cs.AI cs.LG
Benchmarking Multimodal LLMs on Code Generation for Complex Interactive Webpages
针对现有基准忽略复杂交互行为的问题,提出WebIGBench基准,包含103个真实复杂网页和871个交互动作,并设计新评估流程,测试多模态大语言模型在交互式网页代码生成上的性能。
2026-05-29 cs.AI cs.SE
EQ-Bench: An Emotional Intelligence Benchmark for Large Language Models
本文提出EQ-Bench基准,通过让大型语言模型预测对话中角色情绪状态强度来评估其情感智能,发现其与MMLU等多领域综合基准高度相关,并提供了开源代码和排行榜。
2024-01-03 cs.AI cs.CL