論文の概要: CaM-Wolf: Causal-Aware Multimodal Agents for Social Deduction Games
- arxiv url: http://arxiv.org/abs/2607.26393v1
- Date: Wed, 29 Jul 2026 01:58:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.512314
- Title: CaM-Wolf: Causal-Aware Multimodal Agents for Social Deduction Games
- Title（参考訳）: CaM-Wolf:Cousal-Aware Multimodal Agents for Social Deduction Games
- Authors: Zheng Zhang, Nanjie Yao, Jiarui He, Deheng Ye, Peilin Zhao, Hao Wang,
- Abstract要約: Werewolfのようなソーシャル推論ゲーム(SDG)は、AIエージェントにとって困難なテストベッドになっている。
CaM-Wolfは、他のプレイヤーからのビデオ入力を処理し、強化学習を通じて訓練された因果認識推論を用いて、観測可能な行動と隠された役割の間の論理的連鎖を確立する。
実験とユーザスタディにより,CaM-Wolfは優れたエージェントゲームプレイ性能を示し,人間とAIのインタラクションの質を高めた。
- 参考スコア（独自算出の注目度）: 41.77561512638328
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Social deduction games (SDGs) such as Werewolf have become challenging testbeds for AI agents. These games require complex social skills such as reasoning, deception, and collaboration. While recent advances in large language models (LLMs) have driven significant progress in SDG agents, current approaches are predominantly text-based, overlooking the multimodal nature that is fundamental to human social interaction. To bridge this gap, we introduce CaM-Wolf, the first SDG agent that integrates multimodal perception and generation. CaM-Wolf processes video inputs from other players, employs a causal-aware Reasoner trained via reinforcement learning to establish logical chains between observable behaviors and hidden roles, and presents itself through an animated avatar. Our experiments and user study show that CaM-Wolf achieves superior agent gameplay performance and enhances the quality of human-AI interaction. This work represents a significant advancement towards creating more human-like AI agents capable of participating in nuanced social dynamics. Our code is available at https://3dagentworld.github.io/avatar_wolf.
- Abstract（参考訳）: Werewolfのようなソーシャル推論ゲーム(SDG)は、AIエージェントにとって困難なテストベッドになっている。
これらのゲームは推論、騙し、コラボレーションといった複雑な社会的スキルを必要とする。
近年の大規模言語モデル(LLM)の進歩はSDGエージェントの大幅な進歩をもたらしたが、現在のアプローチは主にテキストベースであり、人間の社会的相互作用の基本となるマルチモーダルな性質を見越している。
このギャップを埋めるために,マルチモーダル認識と生成を統合する最初のSDGエージェントであるCaM-Wolfを導入する。
CaM-Wolfは、他のプレイヤーからのビデオ入力を処理し、強化学習を通じて訓練された因果認識推論を用いて、観測可能な行動と隠れた役割の間に論理的連鎖を確立する。
実験とユーザスタディにより,CaM-Wolfは優れたエージェントゲームプレイ性能を示し,人間とAIのインタラクションの質を高めた。
この研究は、より人間らしいAIエージェントを作るための重要な進歩を表している。
私たちのコードはhttps://3dagentworld.github.io/avatar_wolf.orgで公開されています。
関連論文リスト
- Enhancing Consistency of Werewolf AI through Dialogue Summarization and Persona Information [2.3101858435998346]
ワイアウルフゲーム(Werewolf Game)は、プレイヤーの推論と議論のスキルが不可欠であるコミュニケーションゲームである。
本稿では,AIWolfDial 2024共有タスクのために開発されたWerewolf AIエージェントについて紹介する。
論文 参考訳（メタデータ） (2026-03-07T08:41:46Z) - HumanX: Toward Agile and Generalizable Humanoid Interaction Skills from Human Videos [74.43500240121476]
我々はHumanXについて紹介する。HumanXは人間の動画を、ヒューマノイドのための汎用的で現実的なインタラクションスキルにコンパイルするフルスタックのフレームワークである。
HumanXは、従来の方法より8倍高い一般化成功を達成する。
論文 参考訳（メタデータ） (2026-02-02T18:53:01Z) - MultiMind: Enhancing Werewolf Agents with Multimodal Reasoning and Theory of Mind [19.859451521261956]
MultiMindは、マルチモーダル情報をソーシャル推論エージェントに統合する最初のフレームワークである。
言語内容とともに表情と声調を処理し、心の理論(ToM)モデルを用いる。
このToMモデルとMCTS(Monte Carlo Tree Search)を組み合わせることで、エージェントは自身に対する疑念を最小限に抑えるコミュニケーション戦略を特定する。
論文 参考訳（メタデータ） (2025-04-25T03:12:43Z) - SocialGFs: Learning Social Gradient Fields for Multi-Agent Reinforcement Learning [58.84311336011451]
マルチエージェント強化学習のための新しい勾配に基づく状態表現を提案する。
オフラインサンプルからソーシャルグラデーションフィールド(SocialGF)を学習するために,デノジングスコアマッチングを採用している。
実際に、SocialGFをMAPPOなど、広く使われているマルチエージェント強化学習アルゴリズムに統合する。
論文 参考訳（メタデータ） (2024-05-03T04:12:19Z) - The Rise and Potential of Large Language Model Based Agents: A Survey [91.71061158000953]
大規模言語モデル(LLM)は、人工知能(AGI)の潜在的な火花と見なされる
まず、エージェントの概念を哲学的起源からAI開発まで追跡し、LLMがエージェントに適した基盤である理由を説明します。
単一エージェントシナリオ,マルチエージェントシナリオ,ヒューマンエージェント協調の3つの側面において,LLMベースのエージェントの広範な応用について検討する。
論文 参考訳（メタデータ） (2023-09-14T17:12:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。