大模型的具身智能决策能力，终于有系统的通用评估基准了。

李飞飞吴佳俊团队新提出的评估框架，对具身智能决策的四项关键子能力来了个全面检查。

这套基准已经被选为了NeurIPS数据和测试集（D&B）专栏Oral论文，同时也被收录进了PyPI，只要一行代码就能快速调用。

该框架名为Embodied Agent Interface（简称EAI），提供了连接不同模块和基准环境的标准接口。

利用这套框架，作者对18款主流模型进行了测试，形成了一篇超百页的论文。

测试结果显示，在已公开的大模型当中，o1-preview的综合成绩位列第一。

李飞飞本人表示，对这项合作研究感到非常兴奋。

有网友评价说，这项成果为大模型具身智能决策塑造了未来。

四项子能力全面评估

首先，EAI提供了一种统一的目标表示方法，能够兼容不同类型的目标，并支持复杂约束的描述。

团队认为，现有的具身决策任务通常针对特定领域设计目标，缺乏一致性和通用性。

例如，BEHAVIOR和VirtualHome都是具身智能体的评测基准和模拟环境，用于研究智能体在复杂环境中完成任务的能力。

但二者又有所区别，BEHAVIOR使用基于状态的目标，而VirtualHome使用时间扩展的目标。

EAI则通过引入线性时态逻辑（LTL），实现了目标表示方式的统一，提高了模块之间的互操作性，便于比较不同模型在同一任务上的表现。

在具体的评估过程当中，EAI采用了模块化的评估方式，并将评估指标进行了更细粒度的划分。

以往的研究通常将大模型作为整体进行评估，很少关注其在具身决策各个子任务上的表现；

同时，这些现有基准通常只关注任务的最终成功率，很少深入分析模型的错误类型和原因。

为了更深入理解大模型的行为模式和优劣势分布，EAI提出了四个关键能力模块，并设计了一系列细粒度的评估指标：

• 将模型能力分为四个关键模块；

• 定义了清晰的输入输出接口；

• 从轨迹可执行性、目标满足度、逻辑匹配性等多个角度评估模型的性能；

• 引入了丰富的注释（如目标状态、关系、动作），以实现自动化的错误分析。

具体来说，四个关键模块及内容分别是：

• 目标解释（Goal Interpretation）：将自然语言表述的任务目标转化为形式化的LTL目标公式；

• 子目标分解（Subgoal Decomposition）：将任务目标分解为一系列子目标，每个子目标也用LTL公式表示；

• 动作序列规划（Action Sequencing）：根据任务目标生成动作序列，在环境中执行以达成目标状态；

• 转换建模（Transition Modeling）：为每个动作或操作符生成前提条件和效果，形成环境转换模型。

另外，EAI选取了两个具有代表性但特点迥异的环境，也就是前面提到的BEHAVIOR和VirtualHome。

相比于单一环境评估，EAI更能考察大模型跨领域的泛化能力，有助于全面理解其适用范围和局限性。

o1-preview综合成绩第一

利用EAI这套标准，研究团队对GPT、Claude、Gemini等18款主流模型（型号）的决策能力进行了评估。

在BEHAVIOR和VirtualHome环境下，o1-preview均获得了排行榜综合成绩第一名。

其中在BEHAVIOR环境中，o1-preview得分为74.9，比第二名的Claude 3.5 Sonnet高了10多分，排在之后的是60分左右的Claude 3 Opus和GPT-4o。

到了VirtualHome环境下，依然是o1-preview领先，但前三名的成绩相对接近。

同时Gemini 1.5 Pro变成了第二名，不过整体来看排行靠前的几个模型和BEHAVIOR环境类似。

当然如果比较单项能力，不同模型也体现出了各自不同的优势项目。

比如在BEHAVIOR环境中，总分排第二的Claude 3.5 Sonnet，目标解释能力略高于总分排第一的o1-preview。

在VirtualHome环境中，总分相对靠后的Mistral Large，在动作序列规划上取得了第一名。

作者还对各模型的失败情况进行了深入分析，发现了将中间状态误识别为最终目标状态、对隐含的物理关系理解不足、忽略重要的前提条件等具体问题。

这些发现能够让研究人员对模型的优缺陷进行更深层的了解，为之后的研究提供了重要参考。

文章来源：量子位