本文介绍了一种结合对抗性模仿学习和强化学习的系统，用于训练物理模拟角色在复杂场景中的交互。该系统无需手动注释数据，能够处理未见物体和场景。研究提出了I-PHYRE框架，强调代理人的物理推理能力，并介绍了COINS生成模型，实现自然的人-场景互动。此外，构建了PHASE数据集和Physion++基准，以评估多智能体的社会互动和视觉物理预测能力。