该文综述2023至2024年研究，探讨大语言模型作为智能体在多轮交互、协作与评估中的推理决策能力。研究提出TrainerAgent、ChatEval、ScaleEval等框架，利用多代理协作与辩论提升任务优化和评估可靠性，并构建基准测试衡量多主体环境能力，发现GPT-4与Llama-2-70B存在三倍差距，概率图模型可平均提升50%能力。