LLM-based Multi-Agent Reinforcement Learning: Current and Future Directions

近年来，大型语言模型（LLMs）展示了在各种任务中的出色能力，包括问答、算术问题求解和诗歌创作等。尽管LLM作为代理人的研究表明LLM可以应用于强化学习（RL）并取得不错的结果，但基于LLM的RL扩展到多智能体系统（MAS）并不容易，因为许多方面，例如代理之间的协调和通信，在单个代理的RL框架中没有考虑。为了激发更多关于LLM基础的MARL的研究，本文综述了现有的基于LLM的单智能体和多智能体RL框架，并为未来的研究提供了潜在的研究方向。特别是，我们关注共同目标的多个代理的合作任务以及它们之间的通信。我们还考虑到由框架中的语言组件实现的人类参与/在环路中的情况。

LLM-based Multi-Agent Reinforcement Learning (MARL)

使用LLM解决多智能体强化学习中的协作和通信问题

论文调查了现有的LLM单智能体和多智能体RL框架，并提供了未来研究的潜在方向。重点关注多个智能体之间的协作任务和通信。考虑到语言组件，论文还考虑了人类参与的场景。

最近的相关研究包括：1. Multi-Agent Reinforcement Learning with Communication Constraints; 2. Emergent Communication in a Multi-Modal, Multi-Step Referential Game; 3. Multi-Agent Reinforcement Learning with Dynamic Fairness