AMONGAGENTS: Evaluating Large Language Models in the Interactive Text-Based Social Deduction Game

本文聚焦于在模拟环境中创建人类行为的代理，利用《Among Us》作为研究模拟人类行为的工具，探究社交推理游戏对于评估语言模型的理解和推断技能的重要性，为社会科学、人工智能和战略游戏提供关键见解。该研究介绍了一种名为AmongAgents的基于文本的游戏环境，模拟了《Among Us》的动态。玩家扮演太空船上的机组人员，任务是识别破坏船只和消灭机组人员的冒名顶替者。在这个环境中，分析了模拟语言代理的行为。实验涉及不同配置的机组人员和冒名顶替者人格原型的多样游戏序列。我们的研究表明，最先进的大型语言模型（LLM）能够有效掌握游戏规则并根据当前情境做出决策。本文旨在促进在具有不完整信息和复杂行动空间的目标导向游戏中进一步探索LLMs，因为这些环境提供了评估语言模型在社交驱动场景中表现的宝贵机会。

本文旨在创建人类行为的代理模型，以模拟Among Us游戏中的人类行为，并利用这个模型研究自然语言处理模型在社交推理游戏中的表现。

本文提出了一个名为AmongAgents的文本游戏环境，用于研究自然语言处理模型在社交推理游戏中的表现。实验结果表明，最先进的大型语言模型能够有效地理解游戏规则并根据当前情况做出决策。

本文设计了各种游戏序列，包括不同配置的机组成员和冒充者人格原型，以分析模拟语言代理的行为。实验结果表明，最先进的大型语言模型能够有效地理解游戏规则并根据当前情况做出决策。本文的AmongAgents游戏环境可以作为研究自然语言处理模型在社交推理游戏中表现的有价值的测试平台。

在这个领域中，最近的相关研究包括：《用深度强化学习模型玩社交推理游戏》、《基于自然语言处理的社交推理游戏研究》、《社交推理游戏中的自然语言处理模型综述》等。