Прорыв в мультимодальном ИИ для социальных игр
Команда исследователей во главе с Чжэн Чжаном (Zheng Zhang) представила CaM-Wolf — систему искусственного интеллекта, способную участвовать в социальных дедукционных играх (SDG), таких как «Волк» (Werewolf). В отличие от предыдущих текстовых моделей, CaM-Wolf обрабатывает видеопоток, анализируя невербальные сигналы, и генерирует ответы через анимированный аватар. Работа принята к публикации на конференции ACM MM 2026.
Архитектура: от видео к логическим цепочкам
Ключевая инновация CaM-Wolf — интеграция мультимодального восприятия с причинно-следственным анализом. Агент не просто распознает лица, но и устанавливает логические связи между наблюдаемым поведением (мимика, жесты) и скрытыми ролями игроков. Обучение модуля рассуждения (Reasoner) проводилось с помощью усиленного обучения (Reinforcement Learning), что позволило ИИ эффективно использовать обман и кооперацию.
Сравнение подходов к социальным дедукционным агентам
| Характеристика | Традиционные LLM-агенты | CaM-Wolf (Новый подход) |
|---|---|---|
| Входные данные | Текстовый чат | Видео (мимика, жесты) + Текст |
| Метод рассуждения | Статистический анализ текста | Причинно-следственный анализ (Causal-Aware) |
| ОбучениеSupervised Fine-Tuning | Reinforcement Learning (RL) | |
| Интерфейс | Текстовый вывод | Анимированный аватар |
Результаты и значимость
Эксперименты и пользовательские исследования показали, что CaM-Wolf превосходит существующие текстовые модели по качеству игрового процесса. Система демонстрирует более высокую способность к распознаванию обмана и построению коалиций, что делает взаимодействие с ИИ более естественным для человека. Это важный шаг к созданию ИИ-агентов, способных участвовать в сложных социальных динамиках, выходящих за рамки простого обмена информацией.
Доступность
Код проекта доступен в открытом доступе, что позволяет исследователям и разработчикам протестировать архитектуру и интегрировать её в свои проекты. Авторы подчеркивают, что работа закрывает пробел в понимании того, как ИИ может воспринимать мультимодальные социальные сигналы.
Источник: arXiv cs.AI ↗