本研究解决了大语言模型在具身决策中评价不系统的问题。提出了一个统一任务和输入输出规范的具身代理接口，并引入评估指标，以识别大语言模型在具身AI系统中的优缺点，促进其有效应用。

本文综述了多智能体与多模态大模型在仿真环境中的研究，涵盖危险疏散、家庭任务、机器人规划与探索。GPT-4 Vision在具身决策中表现突出，准确率较GPT-4 HOLMES高约3%，领先开源模型26%。BEHAVIOR、ALFRED等基准推动了家务活动与长程规划评测，AMSLAM将成功率提升23.48%。