本文提出了一种新框架，结合图像结构的形式化表征与具身认知理论，以提升代理推理系统的效率和可解释性，从而改善人机交互。

本研究提出了ECBench，这是一个高质量的基准，旨在系统评估大型视觉语言模型（LVLMs）的具身认知能力。ECBench通过多样的场景视频和开放问答格式，推动LVLMs的认知能力提升，为具身代理模型的开发奠定基础。