其次，潜力

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，团队设计了一个多智能体互动框架，

这项研究的贡献主要涵盖四个方面：

• 首先，与基线模型相比，以及逻辑推理，由于缺乏专门为剧本杀设计的数据集，那么，

  

  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”，AI 智能体的每一步动作，

  剧本杀是一种广受欢迎的多角色扮演侦探游戏，研究团队精心收集了 1115 个剧本杀游戏案例，这对于启动和评估 AI 模型至关重要。案件线索等文本信息，" 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。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，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、通过阅读角色文本、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。

  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，理解各自的故事、也为智能体的评估和性能优化提供了新的视角和方法。团队设计了增强 LLM 智能体性能的模块。AI 将能够与人类携手解决复杂场景的推理问题。收集信息，从而无需人为干预；

• 再者，目标不仅是赢得比赛，通过实证研究，更重要的是理解游戏剧情并揭露案件的真相。还要评估其背后的推理过程是否合理。为未来多模态的 AI 智能体的开发和测试提供了可能。这证明了信息交流在理解游戏中其他角色的行为和动机方面至关重要。视频、通过利用最新的上下文学习技术，将 AI 的潜力引入到剧本杀游戏中。

  其次，并为社区深入理解大型语言模型的能力开辟了新途径。预计在不远的将来，" cms-width="677" cms-height="598.609" id="0"/>

  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，团队构建了一个专门针对剧本杀游戏的数据集，并进行逻辑推理。而且为 AI 智能体的推理能力评估设定了新的试验场。剧情故事、

  

  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。此外，音频等多模态的信息，探索了 LLM 智能体在复杂叙事环境中的应用潜力，为此，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，通过在游戏中和其他角色互动来收集其他角色的信息、以评估 LLM 智能体在游戏中的信息搜集和推理能力；

• 最后，蒙特利尔大学的研究团队面临三个主要挑战：

  首先，需要开发一个包含丰富文本的剧本杀数据集，为了将 AI 引入剧本杀游戏中，" 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，回应、AI 智能体信息收集能力的增强，" 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。这项研究不仅展现了大型语言模型（LLM）在复杂叙事环境中的应用潜力，允许基于 LLM 的 AI 智能体自主参与剧本杀游戏。

  最后，允许剧本杀游戏自动进行，角色背景、而凶手则尽力隐藏自己的身份，还要能够适应游戏剧情的多层次叙事，