先别骂队友，上交如何让DeepSeek R1在分手厨房再也不糊锅？

在春节的 DeepSeek 大热后，大模型也更多走进了大家的生活。我们越来越多看到各种模型在静态的做题榜单击败人类，解决各种复杂推理问题。但这些静态的测试与模型在现实中的应用还相去甚远。模型除了能进行对话，还在许多更复杂的场景中以各种各样的方式与人类产生互动。除了对话任务外，如何实现大模型与人的实时同步交互协作越来越重要。

像上周刚刚引爆社区的 Manus，就号称能够让 LLM Agent 能够与人实时协作交互完成任务。网上对 Manus 的吹捧很多，甚至 Manus 的一个内测码的价格在闲鱼上就被叫到了 6 万。但在实测视频中，我们可以看到 Manus 更像是回合制协作，用户输入一个指令后，Manus 进行规划，列出自己需要完成的任务，并逐步完成。用户只能在 Manus 完成任务的过程中静静等待，也无法修改 Manus 的计划，直到 Manus 完成它的计划才能开始新的交互。

但在现实生活中，我们与同伴互动协作完成一个任务时，并不是回合制互动的，人与人之间存在着更多频繁的互动以及对对方的观察与输入输出，这些互动带来了环境状态的改变以及对人即时反应能力的要求。

Manus 的交互形式仍然无法解决对人类的实时响应问题。用户在出现临时的想法变化，或希望和模型协作共同工作时，Agent 仍然面临无法快速响应，以及难以推断用户意图的挑战。

如何让模型实现真正的人机实时同步协作？在 Claude-3.7-sonnet 游玩宝可梦，模型在贪吃蛇中进行大比拼受到广泛关注的时刻，我们发现多人协作游戏或许是一个更合适的测试场景。

「锅里的牛排糊了！灭火器在哪？生菜还没切完！！」—— 如果你玩过《Overcooked》，一定体验过这种手忙脚乱的崩溃感。实时游戏的突发状况、疯狂倒计时的订单，以及频频和你抢活干的队友，让这款强调同步协作的游戏既充满欢乐又令人血压飙升。

《Overcooked》是一款 Team 17 发行的以合作烹饪为主题的派对游戏，玩家需在特别的厨房中与队友实时配合完成切菜、煎牛肉饼、组装汉堡以完成订单，并时刻注意灭火。游戏凭借极具挑战的实时协作机制和令人手忙脚乱的厨房布局，迅速成为考验团队默契的「友情 / 爱情检测器」，也因此得名「分手厨房」。

Overcooked游戏画面

有趣的是，这种高实时性、强交互的虚拟环境也吸引了多智能体系统（Multi-Agent System, MAS）和多智能体强化学习（Multi-agent Reinforcement Learning）研究者的目光。由于游戏要求智能体快速分工协作，解决合作中的协调问题，Overcooked 在 2019 年由 Stuart Russell 和 Pieter Abbeel 领衔的 Center for Human-Compatible AI ，通过简化实现成人智协同的基准 overcooked-ai，开始被被广泛用作探究智能体与人类协作能力的测试平台，尤其是和人类的零样本协作（Zero-shot Coordination）。研究者通过训练 AI 代理预测人类玩家的决策与沟通，探索分布式协作、应急策略优化等课题，其成果甚至为自动驾驶、工业机器人协作提供了灵感。在 overcooked-ai 的「虚拟后厨」，人机协作的边界正被重新定义。

原始的overcooked-ai环境

当实时同步协作对人而言仍有巨大挑战时，上海交大（共同第一作者为博士生张劭和王锡淮，导师为温颖副教授和张伟楠教授）与 AGI-Eval 评测社区开发的 DPT-Agent 框架和基于 Overcooked-AI 重新升级的 Overcooked Challenge 实时同步协作评估环境，加入更复杂的菜谱以及还原游戏的实时协作机制，让大模型加入这场协作游戏，直面同步实时协作挑战：

• 预判式协作：你切菜时，DPT-Agent 秒递盘子；牛排烧焦了，它抢先灭火；
• 动态分工：根据订单优先级，自动切换「主厨」与「帮工」角色，有效安排时间；
• 读心级配合：甚至能通过你的动作历史，推测你想做汉堡还是沙拉。

• 论文题目：Leveraging Dual Process Theory in Language Agent Framework for Real-time Simultaneous Human-AI Collaboration
• 论文地址：https://arxiv.org/abs/2502.11882
• 项目地址：https://github.com/sjtu-marl/DPT-Agent

DPT-Agent 和 Overcooked Challenge 环境现已开源，有兴趣的朋友可以试试接入大模型和 DPT-Agent 一起玩 Overcooked。

看到这里，你一定会问，平时话很多的 ChatGPT 输出一次要好几秒，还有在对话时要思考几十秒的 DeepSeek-R1，虽然推理能力很强也很会思考，但似乎延迟巨大，如何做到和人实时同步协作？

答案就是双过程理论（Dual Process Theory）—— 让大模型学会「边煎牛排边写策略」！

人脑同款双系统：快慢双脑破解 AI 协作难题

大模型在实时同步协作中为何频频翻车？问题出在「大模型想得慢做的慢」与「小模型做的快但做不对」的矛盾：

大模型往往生成一个决策至少需数秒，推理模型则可能达到惊人的几分钟，在分手厨房以秒计算的游戏进程里难以实施决策，而小模型响应的确很快，但往往由于能力不足，出现失误决策。

左：Overcooked Challenge 的关卡1，同时支持单人和双人游戏；右：Overcooked Challenge 的关卡2

作者使用了一系列的大小模型在 Overcooked Challenge 单人游戏上进行了测试，可以明显的看到绝大多数非推理模型在直接决策（Act as System 1）以及推理模型先思考再决策（Long CoT + Act as System 2）的情况下都无法得分，即使强如 GPT-4o，也无法超越简单的有限状态机（FSM）。

横轴为得分效率：正得分（即不含扣分）/有效宏操作，纵轴为每局游戏平均得分，圆的大小代表模型每一次决策从输入到输出的平均延时（秒）

这使得我们思考一个问题，模型是否能像人一样，一边不间断地做手上的工作，一边思考更复杂的策略，而不是想一步做一步？

借鉴人类双过程理论（Dual Process Theory），DPT-Agent 通过 System 1 和 System 2 的结合，为 Agent 装上「人脑同款双系统」：

1.「快脑」System 1—— 条件反射级响应

• 代码即策略（Code-as-Policy）：将高频操作（灭火、递食材）固化为有限状态机（FSM）规则，优化初始 FSM 策略；
• 持续输出保障：即使 System 2 在后台思考，System 1 也能按 FSM 中最新策略持续行动，杜绝 “宕机卡顿”，原子动作响应延迟 < 0.1 秒。

2.「慢脑」System 2—— 战略级读心术

• 心智理论（ToM）：让 LLM 通过分析玩家动作历史，实时构建人类意图模型（例：「TA 连续取牛肉→今晚主打牛肉汉堡」）；
• 异步反思：在「快脑」指挥智能体做菜的同时，「慢脑」根据游戏历史优化策略，如发现「生菜总是不够」，自动调整备菜优先级，边协作边进化。

DPT-Agent框架图

硬核实验：20 个模型 + 两大主流框架与 DPT-Agent 的大比拼

在全新的难度加强 Overcooked Challenge 环境上，20 个主流模型（涵盖 GPT-o3-mini、DeepSeek-R1 系列以及最新发布的 QwQ-32b 等）在 ReAct、Reflexion 和 DPT-Agent 的两个版本（带有 / 不带有心智理论能力）上进行了单智能体、多智能体以及真实人类合作测试，证明了 DPT-Agent 在实时同步协作上的超强能力。

「单人游戏实战」：高延迟模型的逆袭

在单人游戏中，DPT-Agent 在得分效率和得分上均优于 ReAct 和 Reflexion，而高延迟模型更是得到逆袭级别的表现。绝大多数高延迟模型在 DPT-Agent 框架的帮助下取得从有得分能力到能够真正得分的转变，相比 ReAct 和 Reflexion 取得大幅提升。DeepSeek-R1-70B 使用 DPT-Agent 框架后，在延迟基本不变的情况下，得分从使用 ReAct 的 -17.0 以及 Reflexion 的 -20.0 变为 +60.0，逆袭成「厨房战神」。而其他非推理模型也有不同程度的提升。

轴为得分效率：正得分（即不含扣分）/有效宏操作，纵轴为每局游戏平均得分，圆的大小代表模型每一次决策从输入到输出的平均延时（秒）

「智能协作实战」：当 DPT-Agent 遇上「偏科队友」

在真实的协作场景中，AI 常需面对能力参差不齐的伙伴 —— 可能是只会切菜的规则机器人，或是专注煎牛排却绝不上菜的「一根筋」AI。DPT-Agent 如何应对？团队设计了残酷的多智能体实验：

极端测试：与「偏科 AI」组队让 DPT-Agent 搭档三类规则 AI（专精切生菜 / 煎牛排 / 组装汉堡）。

为了公平比较，ReAct 和 Reflexion 使用和 DPT-Agent 相同的 System 2 输出方式与动作执行器来实现为 System 1 + System 2 框架。

1.推理模型战胜高延迟：DeepSeek-R1 满血版在 DPT-Agent 框架加持下，相比使用 ReAct 的 - 42.5 分有大幅提升，获得 74.3 分的战绩，逆袭成 MVP， o3-mini-high 相比 o3-mini-medium 和 o3-mini-low 即使延迟增大，也一样呈现能力上升趋势。

2.非推理模型表现也亮眼：DeepSeek-V3 在 DPT_Agent 框架加持下表现与满血 DeepSeek-R1 接近，展现不俗实力。

3.ToM 模块的双刃剑：

• 神助攻案例：

• 当规则 AI 是专注取牛肉的 Agent 时，DeepSeek-R1-70b 驱动的 DPT-Agent 通过 ToM 推断「玩家专注牛肉汉堡」，主动改变策略备好面包 + 生菜
• 人类持续传递牛肉表明其偏爱处理肉类，所以智能体应专注于其他任务以优化团队合作。
• 当规则 AI 是专注组装汉堡并上菜的 Agent 时，o3-mini-low 驱动的 DPT-Agent 通过 ToM 推断 “玩家专注于组装汉堡并上菜”，及时调整策略为准备所有的食材来进行配合
• 人类玩家优先处理紧急的牛肉订单并进行快速组装，通常专注于组装和提供即食食品。智能体应通过准备熟透的牛肉并迅速传递完成的食材来支持这一点，以确保更顺畅的协作。

• 翻车现场：「ToM 模块是协作上限的钥匙，但锁眼必须匹配模型自身的心智推理能力」。

• Llama3-70B 可能因自身 ToM 能力薄弱，搭载完整 DPT-Agent 后反而得分下降，没有观察到显著的推断现象
• 关于 ToM 模块的更多研究，尤其是 Agent 和人的双向 ToM 过程，可以参考团队的另一篇工作「Mutual Theory of Mind in Human-AI Collaboration: An Empirical Study with LLM-driven AI Agents in a Real-time Shared Workspace Task」。

论文链接：https://arxiv.org/abs/2409.08811

「真实人类协作」：主客观均是协作王者

团队在学校内招募了 68 位学生和多智能体实验中所有的 Agent 进行了协作实验，并在先前实验的基础上增加了一个关卡。实验参与者在完全未知 Agent 身份的情况下与所有 Agent 以随机顺序进行实验，对 Agent 进行了协作能力和偏好程度的打分。

DPT-Agent 展现了超强协作能力，得分在两个地图上碾压其他框架，主观协作能力和人类主观偏好得分最高。

DPT-Agent和人类玩家在关卡1的游戏过程（蓝色帽子为人类玩家，红色帽子为DPT-Agent，视频为2倍速）

人类玩家借助关卡2的中间操作台无缝合作（蓝色帽子为人类玩家，红色帽子为DPT-Agent，视频为2倍速）

同时有趣的是，人类对 agent 的偏好和协作程度，可能与 agent 的得分贡献率有关，人类会展现出更多的对贡献率更高的模型的喜爱。

与人类协作游戏得分与各Agent的得分贡献率

人类主观评价得分

开源评估框架

DPT-Agent 使用的 Overcooked Challenge 环境现已开源，支持 Act，ReAct，Reflexion，ReAct in DPT， Reflexion in DPT， DPT-Agent w/o ToM，DPT-Agent 多种框架下的模型评估，同时公开多达 34 个主流模型包含 DeepSeek-R1 在内的评估结果，评估结果现已在 AGI-Eval 平台上线，未来计划推出人机协作评估，请大家一起来和大模型玩分手厨房！

文章来自于“机器之心”，作者“张劭”。