论文笔记：SmartPlay : A Benchmark for LLMs as Intelligent Agents

iclr 2024 reviewer评分 5688

• 引入了 SmartPlay，一种从 6 种不同游戏中提取的基准
  • 衡量LLM作为智能体的能力

1 智能代理所需的能力

• 论文借鉴游戏设计的概念，确定了智能LLM代理的九项关键能力，并为每项能力确定了多个等级：

长文本理解	一般LLM的能力 根据文档长度和句法变化定义了4个等级： 1) 几行固定文本 2) 几段固定文本 3) 带有句法变化 4) 长于1页（500字）
推理	多跳逻辑推理和演绎，通常需要用于分析游戏对象的互动或行动条件/依赖关系 根据推理跳数定义了3个等级： 1) (0 ∼ 1) 2) (2 ∼ 3) 3) (> 3)
指令/规则遵循	遵循环境或用户设定的规则和指令 我们根据游戏规则的数量定义了3个等级： 1) 单一规则， 2) (< 5)， 3) (5+)
规划	进行长期的情境规划以实现复杂目标 根据规划步骤和需要优先处理的并行目标定义了3个等级 1) < 5个规划步骤 2) 5个以上规划步//骤 3) 并行目标
泛化	在广泛的任务范围内表现出色。  根据游戏提供的变异度定义了3个等级： 1) 固定环境 2) 固定游戏世界但目标随机 3) 程序生成的游戏世界
理解概率	分析和估计随机事件的概率。 根据环境中随机性的重要性定义了3个等级： 1) 无随机性 2) 游戏中存在随机性 3) 随机性为核心游戏机制
从互动中学习	从实时互动中获取环境知识。 根据需要学习的独特互动次数定义了4个等级： 1) 无需学习 2) 单次互动 3) < 5次互动 4) 5次以上互动
错误/失误处理	从错误中恢复（例如，纠正错误的轨迹）。 根据是否需要处理错误以及是否需要额外的推理和重新规划定义了3个等级： 1) 不需要 2) 简单回滚即可纠错 3) 需要推理和重新规划以纠正错误
空间推理	空间推理通常需要用来理解方向和在游戏世界中导航（例如，导航2D/3D世界）。 根据维度定义了3个等级： 1) 0 ∼ 1D 2) 2D 3) 3D。

2 SMARTPLAY 中涉及的游戏

• 双臂老虎机
• 石头剪刀布
• 汉诺塔
• 信使
• 制造者
• 我的世界

3 实验

3.1 各种大模型比较