李飞飞吴佳俊团队推出具身智能决策能力评价基准，o1-preview登顶

摘要： 北京时间月日凌晨意甲第轮上演一场焦点战卫冕冠军国际米兰做客布里安特奥球场挑战此前平负未尝胜绩的蒙扎在先丢球的情况下国米凭借邓弗里斯在第分钟的进球艰难逼平对克雷西发自凹非寺量子位公众...

     北京时间9月16日凌晨，意甲第4轮上演一场焦点战。卫冕冠军国际米兰做客布里安特奥球场挑战此前2平1负未尝胜绩的蒙扎。在先丢1球的情况下，国米凭借邓弗里斯在第88分钟的进球1-1艰难逼平对....

克雷西 发自 凹非寺

量子位 | 公众号 QbitAI

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 检查。

这套基准已经被选为了Ne IPS数据和 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 ，形成了一篇超百页的论文。

结果显示，在已公开的大模型当中，o1-preview的综合成绩位列 。

李飞飞本人表示，对这项合作研究感到 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。

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，BEH IOR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，BEH IOR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 Interpret ion）：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BEH IOR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 理解其适用范围和局限性。

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BEH IOR和VirtualHome环境下，o1-preview均获得了排行榜综合成绩 名。

其中在BEH IOR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BEH IOR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BEH IOR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 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 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。

项目主页：
https://embodied-agent-interface.github.io/
论文：
https://arxiv.org/abs/2410.07166
代码：
https://github.com/embodied-agent-interface/embodied-agent-interface
数据集：
https://huggingface.co/d asets/Inevitablevalor/EmbodiedAgentInterface