JARVIS-1

JARVIS-1 项目介绍

项目背景

JARVIS-1 是一个为开放世界设计的多任务虚拟助手，它能够用人类类似的方式进行计划和控制。这一项目为提升多功能通用智能体的性能奠定了重要的里程碑。JARVIS-1 可以接收多种模式输入（如视觉观察和人类指令），产生复杂计划，然后实施具体行动。该项目以广受欢迎但极具挑战性的沙盒游戏《Minecraft》为背景平台。

技术实现

多模态语言模型

JARVIS-1 构建于预训练的多模态语言模型之上，这些模型可以将视觉观察和文字指令转化为具体方案，最终这些方案会传递给目标置条件控制器，以执行任务。

多模态记忆

为了提升计划能力，JARVIS-1 配备了多模态记忆装置，这使得它能够在使用预训练知识的同时，结合自身在游戏中的实际生存经验，进行更加智能化的决策。

项目能力

JARVIS-1 是目前 Minecraft 中最通用的智能体之一，具备完成超过 200 种不同任务的能力，控制和观察空间接近人类。这些任务可以是短期的，比如“砍树”；也可以是长期的，比如“获得钻石镐”。在短期任务中，JARVIS-1 的表现几乎完美。在经典的长期任务“获得钻石镐”上，JARVIS-1 的可靠性超过现有最先进的智能体五倍，可以成功完成更加长期和具挑战性的任务。

使用说明

JARVIS-1 目前仅支持在 Linux 平台上运行。用户需要使用 Anaconda 管理环境，准备好 JDK 8，并确保一些基本软件依赖已被安装。为了安装 JARVIS-1，需要执行一系列命令来创建虚拟环境、下载权重文件和安装包等。

当一切准备就绪，用户可以通过命令启动 JARVIS-1 智能体并观察其执行任务的过程。

当前限制与未来计划

目前，JARVIS-1 移除了自检模块，仅保留语言模型部分供用户体验。项目团队计划在未来增加多模态描述器以及学习模块，从而提升 JARVIS-1 理解视觉世界和自我改善的能力。

相关项目

JARVIS-1 的实现构建在若干 Minecraft 相关项目的基础上，包括 STEVE-1 和 Minedojo。其中，STEVE-1 是一个为 Minecraft 调整的人机交互预训练模型，Minedojo 是一个开放模拟平台，为 Minecraft 智能体研究提供了丰富的任务支持。MC-TextWorld 项目也在早期版本的 JARVIS-1 中被用来积累语言记忆。

总结

JARVIS-1 致力于在开放世界中实现更高效的人机交互和智能任务执行，其创新的多模态语言模型和记忆系统使其在游戏中表现出色。随着未来模块的释放和不断优化，JARVIS-1 将具备更加强大的功能。