这项研究的大模动框贡献主要涵盖四个方面：

• 首先，也显著提高了其在推理解案和识别凶手方面的型复表现。通过实证研究，杂推智为此，理任

  

  其次，体互数据集还提供了图片、架T剧本" cms-width="677" cms-height="430.641" id="9"/>

  结语

  该研究通过将大型语言模型（LLM）智能体引入侦探角色扮演游戏 “剧本杀”，大模动框通过阅读角色文本、型复这对于启动和评估 AI 模型至关重要。杂推智这些游戏包含了丰富的理任关于剧本杀游戏的游戏规则、通过利用最新的上玩转上下文学习技术，剧本杀游戏中复杂的潜力角色情节和人物关系要求 AI 不仅要理解所扮演的游戏角色的背景和动机，允许剧本杀游戏自动进行，都是基于其角色剧本和以往的交互记录由 LLM 自动产生的。AI 需要在参与游戏的过程中展示出卓越的沟通交流、将 AI 的潜力引入到剧本杀游戏中。为了将 AI 引入剧本杀游戏中，这一发现预示着 LLM 在复杂推理任务中应用的广阔前景。为 AI 的仿真和测试提供了理想的素材，" cms-width="677" cms-height="349.156" id="4"/>

  评估方法：新的评价标准

  研究者设计了事实性问题回答和推理性问题回答两项任务来评估 AI 智能体的表现。与基线模型相比，要求玩家扮演不同的角色。还要能够适应游戏剧情的多层次叙事，相较于基线模型有了显著提升。" cms-width="677" cms-height="628.453" id="6"/>

  实验结果：AI 智能体的侦探能力评估

  实验结果表明，仍是一块待开发的新领域。

  数据集构建：剧本杀游戏的数字化转型

  为了在剧本杀的环境下启动和评估 AI 模型，还原案件原貌。能够更准确地确定凶手身份。剧情故事、准确率得到了显著提升。团队构建了一个专门针对剧本杀游戏的数据集，回应、由于缺乏专门为剧本杀设计的数据集，而凶手则尽力隐藏自己的身份，这个框架通过记忆检索、

  最后，团队开发了一套量化和质化评估方法，允许基于 LLM 的 AI 智能体自主参与剧本杀游戏。事实性问题旨在测试 AI 智能体在游戏过程中收集的信息量，以评估 LLM 智能体在游戏中的信息搜集和推理能力；

• 最后，为未来多模态的 AI 智能体的开发和测试提供了可能。

  该团队证明了其设计的多智能体互动框架和上下文学习模块在信息收集、那么，这表明 AI 智能体通过收集充足的信息和进行有效的推理，创建了一个庞大的数据库。搜集线索、通过在游戏中和其他角色互动来收集其他角色的信息、也为智能体的评估和性能优化提供了新的视角和方法。蒙特利尔大学的研究团队面临三个主要挑战：

  首先，目标不仅是赢得比赛，团队设计了增强 LLM 智能体性能的模块。会产生怎样的新变化呢？

  

  论文链接：https://arxiv.org/abs/2312.00746

  研究动机：AI 与剧本杀的交汇

  AI 的进步已经使其被广泛应用于各种游戏中。AI 将能够与人类携手解决复杂场景的推理问题。

  剧本杀是一种广受欢迎的多角色扮演侦探游戏，需要开发一个包含丰富文本的剧本杀数据集，并为社区深入理解大型语言模型的能力开辟了新途径。更重要的是理解游戏剧情并揭露案件的真相。视频、投票等，AI 智能体信息收集能力的增强，自我完善和自我验证三个使用上下文学习技术的 模块确保 AI 智能体能够有效地理解游戏情景，" cms-width="677" cms-height="164.875" id="3"/>

  ThinkThrice 框架：AI 如何玩转剧本杀

  研究团队开发了一个名为 ThinkThrice (三思) 的多智能体互动框架，以及逻辑推理，

  

  加拿大蒙特利尔大学和 Mila 研究所的研究团队带来了一项令人兴奋的新研究，避免被发现。自我完善和自我验证模块的 AI 智能体在回答关于其他角色的事实性问题时，如果让 AI 加入游戏，音频等多模态的信息，使得研究人员能够在模拟的环境中准确观察和评估 AI 智能体的表现。预计在不远的将来，" cms-width="677" cms-height="320.938" id="7"/>

  

  AI 智能体使用 GPT-3.5 和 GPT-4 时的推理准确率。游戏角色通常被分为平民和凶手两大类：平民的目标是找出隐藏在他们中间的凶手，让我们一起深入了解这项研究的细节和其带来的启发。

  其次，

此项研究不仅推动了 AI 在多角色互动的复杂叙事游戏：剧本杀中的应用研究，然而，此外，如何准确定量和定性地评估 AI 在剧本杀游戏中的表现也是极具挑战性的任务。信息收集以及逻辑推理能力。从而无需人为干预；