BALROG是一个开源基准套件，用于评估大语言模型（LLM）和视觉语言模型（VLM）在游戏任务中的推理与决策能力。它通过设计游戏任务和评测指标，帮助研究者比较不同模型的表现，支持模型选择与微调。该套件基于Python实现，采用模块化架构，关注决策过程的可测量性，并支持跨模态推理能力的评估。