中国科学院自动化研究所最新发布的DipLLM框架，凭借其创新的自回归分解与均衡策略微调方法，在复杂七人博弈游戏《外交》中，仅用Meta Cicero 1.5%的训练数据就实现了性能超越。这项成果不仅展现了大语言模型在多智能体博弈中的巨大潜力与样本效率，也为构建更通用、更高效且更可迁移的AI策略体提供了全新的范式，预示着AI在复杂决策场景中的更广阔应用前景。

中国科学院自动化研究所最新发布的DipLLM框架，凭借其创新的自回归分解与均衡策略微调方法，在复杂七人博弈游戏《外交》中，仅用Meta Cicero 1.5%的训练数据就实现了性能超越。这项成果不仅展现了大语言模型在多智能体博弈中的巨大潜力与样本效率，也为构建更通用、更高效且更可迁移的AI策略体提供了全新的范式，预示着AI在复杂决策场景中的更广阔应用前景。

中国科学院自动化研究所最新发布的DipLLM框架，凭借其创新的自回归分解与均衡策略微调方法，在复杂七人博弈游戏《外交》中，仅用Meta Cicero 1.5%的训练数据就实现了性能超越。这项成果不仅展现了大语言模型在多智能体博弈中的巨大潜力与样本效率，也为构建更通用、更高效且更可迁移的AI策略体提供了全新的范式，预示着AI在复杂决策场景中的更广阔应用前景。

中国科学院自动化研究所最新发布的DipLLM框架，凭借其创新的自回归分解与均衡策略微调方法，在复杂七人博弈游戏《外交》中，仅用Meta Cicero 1.5%的训练数据就实现了性能超越。这项成果不仅展现了大语言模型在多智能体博弈中的巨大潜力与样本效率，也为构建更通用、更高效且更可迁移的AI策略体提供了全新的范式，预示着AI在复杂决策场景中的更广阔应用前景。

中国科学院自动化研究所最新发布的DipLLM框架，凭借其创新的自回归分解与均衡策略微调方法，在复杂七人博弈游戏《外交》中，仅用Meta Cicero 1.5%的训练数据就实现了性能超越。这项成果不仅展现了大语言模型在多智能体博弈中的巨大潜力与样本效率，也为构建更通用、更高效且更可迁移的AI策略体提供了全新的范式，预示着AI在复杂决策场景中的更广阔应用前景。

中国科学院自动化研究所最新发布的DipLLM框架，凭借其创新的自回归分解与均衡策略微调方法，在复杂七人博弈游戏《外交》中，仅用Meta Cicero 1.5%的训练数据就实现了性能超越。这项成果不仅展现了大语言模型在多智能体博弈中的巨大潜力与样本效率，也为构建更通用、更高效且更可迁移的AI策略体提供了全新的范式，预示着AI在复杂决策场景中的更广阔应用前景。