language planner

語言模型作為零擊計劃者：
為具體代理提取可行的知識

[項目頁面] [紙] [視頻]

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

¹加州大學伯克利分校， ²卡內基梅隆大學， ³ Google Brain

這是我們語言模型的官方演示代碼，作為零擊計劃紙。該代碼演示了大型語言模型，例如GPT-3和法典，即使沒有進行任何進一步的培訓，也可以為複雜的人類活動制定行動計劃（例如“製作早餐”）。該代碼可以與帶有常見接口的OpenAI API和HuggingFace Transformers的任何可用語言模型一起使用。

如果您發現這項工作對您的研究有用，請使用以下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 }
    }

本地設置或在Colab中開放

要求

• Python = 3.6.13
• cuda = 11.3

設置說明

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

運行代碼

有關我們方法的完整步行，請參見demo.ipynb （OR）。請隨意嘗試您提出的任何家庭任務（如果您在available_actions.json中提供必要的操作，則可以使用（或家庭之外的任何任務）！

筆記：

• 可以觀察到，可以通過較大的語言模型獲得最佳結果。如果由於內存限製而無法在本地或Google Colab上運行Huggingface Transferes模型，建議註冊OpenAI API帳戶並使用GPT-3或Codex（從候補名單中獲得的新帳戶，則免費授予新帳戶和Codex系列的免費信用額為$ 18）。
• 由於語言模型對採樣超參數的高敏感性，您可能需要對不同模型進行調整測量參數以獲得最佳結果。
• 該代碼使用VirtualHome 1.0不斷發展的圖形模擬器中支持的可用操作列表。可用的操作存儲在available_actions.json中。這些行動應支持各種各樣的家庭任務。但是，如果您對不同的操作或不同的任務域（超越家庭域）感興趣，則可以修改或替換此文件。
• 在提示中，使用了VirtualHome紙最初收集的手動註釋的示例的子集。它們被轉換為自然語言格式，並存儲在available_examples.json中。請隨時更改此文件，以進行不同的可用示例。