language planner

语言模型作为零击计划者：
为具体代理提取可行的知识

[项目页面] [纸] [视频]

Wenlong Huang ¹ ，Pieter Abbeel ¹ ，Deepak Pathak* ² ，Igor Mordatch* ³ （*平等咨询）

¹加州大学伯克利分校， ²卡内基梅隆大学， ³ Google Brain

这是我们语言模型的官方演示代码，作为零击计划纸。该代码演示了大型语言模型，例如GPT-3和法典，即使没有进行任何进一步的培训，也可以为复杂的人类活动制定行动计划（例如“制作早餐”）。该代码可以与带有常见接口的OpenAI API和HuggingFace Transformers的任何可用语言模型一起使用。

如果您发现这项工作对您的研究有用，请使用以下Bibtex引用：

 @article { huang2022language ,
      title = { Language Models as Zero-Shot Planners: Extracting Actionable Knowledge for Embodied Agents } ,
      author = { Huang, Wenlong and Abbeel, Pieter and Pathak, Deepak and Mordatch, Igor } ,
      journal = { arXiv preprint arXiv:2201.07207 } ,
      year = { 2022 }
    }

本地设置或在Colab中开放

要求

• Python = 3.6.13
• cuda = 11.3

设置说明

git clone https://github.com/huangwl18/language-planner.git
cd language-planner/
conda create --name language-planner-env python=3.6.13
conda activate language-planner-env
pip install --upgrade pip
pip install -r requirements.txt

运行代码

有关我们方法的完整步行，请参见demo.ipynb （OR）。请随意尝试您提出的任何家庭任务（如果您在available_actions.json中提供必要的操作，则可以使用（或家庭之外的任何任务）！

笔记：

• 可以观察到，可以通过较大的语言模型获得最佳结果。如果由于内存限制而无法在本地或Google Colab上运行Huggingface Transferes模型，建议注册OpenAI API帐户并使用GPT-3或Codex（从候补名单中获得的新帐户，则免费授予新帐户和Codex系列的免费信用额为$ 18）。
• 由于语言模型对采样超参数的高敏感性，您可能需要对不同模型进行调整测量参数以获得最佳结果。
• 该代码使用VirtualHome 1.0不断发展的图形模拟器中支持的可用操作列表。可用的操作存储在available_actions.json中。这些行动应支持各种各样的家庭任务。但是，如果您对不同的操作或不同的任务域（超越家庭域）感兴趣，则可以修改或替换此文件。
• 在提示中，使用了VirtualHome纸最初收集的手动注释的示例的子集。它们被转换为自然语言格式，并存储在available_examples.json中。请随时更改此文件，以进行不同的可用示例。