MECoBench：实体环境中多模式代理协作的系统研究

最近的多模式 大语言模型 (MLLM) 作为实体代理具有强大的潜力，但它们在有视觉信息支持的环境中协作的能力仍未得到充分探索。为了解决这一差距，我们引入了 MECoBench，这是一个多模态具身协作基准，其评估平台涵盖多种现实世界任务、两种合作结构和三种协作模式。通过对各种 MLLM 的广泛实验，我们总结了三个关键发现：（i）协作通常可以提高具体任务的完成度，但其好处取决于平衡协作收益与协调复杂性。 (ii) 沟通对于协作收益至关重要，而最佳协作模式取决于团队规模和模型能力。 (iii)此外，协作提高了在嘈杂的先验和探索条件下的鲁棒性。一般来说，MECoBench 提供了一个系统测试平台，用于了解多模式具体协作的机制和限制。代码和数据集可在 https://github.com/q-i-n-g/MECoBench 获取。