该文综述大型语言模型作为智能代理的评估研究，涵盖多主体环境、竞拍、操作系统任务及协商博弈等基准。研究发现GPT-4与Llama-2-70B存在三倍能力差距，概率图模型平均提升50%，反思与探索策略提高成功率27%，但最先进模型仍存细粒度弱点，亟需标准化评估与伦理规范。