Meta最近发布的报告首次提出心智世界模型，强调心理规律与物理规律同等重要。该模型旨在帮助智能体理解人类的意图、情感和社会关系，从而提升人机交互效率。尽管目前表现不佳，但在多智能体协作中具有巨大潜力。

本研究提出了“必要时才争辩”框架，以降低多智能体协作在提升大型语言模型推理能力时的计算开销和错误风险。该框架通过选择性激活争辩过程，提高效率并保持或超越现有系统性能，实验结果表明其能减轻错误传播，促进可靠响应的整合。

本文介绍了多种基于深度强化学习和多智能体协作的交通信号控制与规划方法，旨在提升交通安全、效率和鲁棒性。这些方法包括无信号交叉口优化、适应性实时控制及基于区域划分的信号控制系统。研究表明，这些新算法在性能上显著优于现有方法，有效管理复杂城市交通流量。

本文介绍了计划辅助控制(SAC-X)和逆强化学习(IRL)的研究进展，重点探讨了多智能体协作、内在奖励设计及其在复杂环境中的应用，强调了内在奖励在稀疏奖励情况下的重要性，并提出了RLeXplore框架以支持无监督学习。

本文评估了大型语言模型在多智能体协作文本游戏中的理论推理任务，发现其在合作和推理能力上表现优异，但在长期规划和任务状态管理上存在限制。通过显式信念状态表示，改善了智能体的表现和推理准确性，并探讨了大型语言模型在理解机器生成行为和意念理论方面的应用，提出了提升性能的新方法。

本文研究了复杂家庭环境中物体与房间关系对视觉导航的影响，提出了基于关注力机制的模型和新的MultiON任务。实验表明，简单语义地图代理表现优越，同时提出了层次化学习方法和基于多智能体协作的视觉语义导航方法，显著提升了导航性能。

本文研究了零样本对象目标视觉导航，提出了一种基于语义相似性网络的框架，能够在未训练类中引导机器人寻找目标。通过在AI2-THOR平台的实验，验证了模型的优越性和泛化能力，并探讨了多智能体协作和模块化迁移学习等方法，以提升导航任务的效率和准确性。

本文探讨了提升大型语言模型（LLMs）在工具使用和多步推理中的能力。研究开发了SciAgent和Tool-LMM系统，增强了LLMs处理科学问题的能力，并提出了EASYTOOL框架以简化工具文档。此外，研究关注多智能体协作，提出ProAgent框架以改善人机合作，展示了LLMs在复杂环境中的潜力。

MindAgent是一种用于评估游戏交互中规划和协调能力的基础设施，引入了新的游戏场景和基准，评估多智能体协作效率。使用新的自动度量CoS进行全面评估，揭示获取这些技能的见解。