随着大模型的发展，大模型的能力正在从单轮静态的问答、推理任务拓展到多步的、交互式的智能体任务，在软件开发、电脑使用、游戏博弈等任务中提出相应的测试基准和方法。然而，现有的测试基准主要集中在单智能体或纯文本环境，缺少多智能体、多模态的大模型智能体测试基准，因此在近期一项研究中清华大学教授汪玉团队的博士生徐泽来和合作者提出了 VS-Bench（Visual Strategic Bench）, 以用于评估视觉语言模型（VLM，Vision-Language Model）在多智能体任务中的推理和决策能力。
为什么要在多智能体任务中评估大模型？因为现实世界就是一个多智能体的环境，这样的环境给大模型的能力提出了新的挑战。
首先，在推理方面，因为多智能体环境的结果依赖于所有智能体的联合动作，所以智能体不仅需要自己能选择合理的动作，还要能够预测其他智能体的动作，即 theory of mind 的推理能力，才能在多智能体环境中取得好的效果。
其次，在决策方面，因为多智能体环境中存在智能体之间的合作和竞争，同时各智能体的策略和行为也在不断变化，使得环境变得非平稳，从而要求智能体要在不确定性更强的环境中优化自己的长期目标，对其决策能力提出了更大的挑战。
基于此，在本次研究之中，研究团队提出了新的测试基准 VS-Bench，以用于评估视觉语言模型在多智能体任务中的推理和决策能力，包含了合作、对抗、混合三种类型的 8 个多智能体环境。研究团队提出了 2 种互补的评估方式，一种是离线的策略推理（strategic reasoning）能力，通过智能体对其他智能体下一步动作的预测准确率来评估；另一种是在线的决策能力（decision-making），通过智能体获得的长期回报来评估。研究团队对包含推理模型、对话模型、开源模型三种共 14 个先进的视觉语言模型进行了测试，有以下主要发现：
主要发现之一是：现有大模型具有初步的策略推理能力，但距离准确预测其他智能体的动作还有较大差距。所有 14 个大模型都超过了随机智能体（随机推理），但结果最好的大模型 o4-mini 也只有 47.8% 的综合准确率。整体而言，推理模型最强，而对话模型和开源模型性能接近。
主要发现之二是：现有大模型在多智能体任务中的决策能力很弱。14 个大模型中的 10 个都只得到了和随机智能体相近的综合分数，只有 3 个推理模型明显优于随机智能体，但是性能最好的大模型 o4-mini 也只有 24.3% 的综合得分。
徐泽来指出，在绝大多数任务和环境中，推理模型都显著优于对话模型和开源模型，但是在某些多智能体社会困境的任务中，开源模型性能有显著的提升，甚至超过了部分推理模型。他们通过分析发现，这是因为开源模型虽然单个模型能力较差，但更倾向于合作共赢的行为，从而在这些任务中得到甚至超越推理模型的结果。
具体而言，本次研究的环境中有一个类似囚徒困境的环境，如果各个智能体合作则都能双赢，但智能体可能会为了更大的个人利益而选择背叛，而如果所有智能体都背叛则会陷入双输。研究团队发现推理模型通常更加“理性”，更有可能为了个人利益而选择背叛；而开源模型更倾向于合作，从而让各个智能体都能得到较高的收益。
未来，他们希望该工作能够成为大模型在多智能体任务中的一个测试基准，推动领域内多智能体算法和应用的进步，从而使大模型智能体能被更好地应用在游戏 AI、人机协作等多智能体场景中。
黑色蕾丝透视露胸旗袍连衣裙对于网友的争议，张水华丈夫王岢在接受媒体采访时称，8月31日的比赛系利用休息日参赛，并非找人替班。她的科室护士不少于15人，周末每天5、6个人值班，不值班可休息，同事间常互相替班。王岢称，跑本次马拉松不为赚钱，签约“MCN”是为参赛名额。网传内容不完整、妻子言语表述有误才引发误解。对于球队的表现，纳格尔斯曼几乎挑不出什么优点：“下半场前五六分钟稍微好了一点，其余时间都很黑暗。我不会在直播中把球队或球员逐个批评。我会在内部解决，我们有足够的东西要讨论。但我绝不是没有头绪。”黑色蕾丝透视露胸旗袍连衣裙男朋友隔着内裤蹭蹭会得妇科病吗德媒最初聚焦于警方调查及对北威州选票重新印刷的影响，选择党在北威州的发言人也解释了几名候选人生前均患有基础疾病等情况，称事件“令人震惊但无外部因素”。德国警方强调，这些候选人或是“自然死亡”，或没有证据指向“被谋杀”可能。“我今天没有感觉到任何紧迫感。主教练可以批评一整晚，但球员们必须自己去体会。如果我们像今天这样踢球，能晋级世界杯就算幸运了。”
20251008 ? 黑色蕾丝透视露胸旗袍连衣裙中国综艺对社会议题的讨论让我很有感触，一些节目非常贴近生活。例如，一些探案普法类综艺，剧情设置扣人心弦，在让人沉浸其中、开怀一笑之后，还留有余味，可以静静思索。这些节目并不回避生活困境和社会情绪，轻松但不失深度、幽默又不乏关怀，总能引发人们的共鸣和思考。即便是来自马来西亚的观众，也能从中感受到共通的情感，这让节目具备了跨越国界的感染力和传播力。weyvv国产的suv视频习近平主席在纪念中国人民抗日战争暨世界反法西斯战争胜利80周年大会上的重要讲话中深刻指出：“今天，人类又面临和平还是战争、对话还是对抗、共赢还是零和的抉择。”在世界进入新的动荡变革期，全球治理走到新的十字路口之时，中国的这场阅兵不仅提出了关乎人类前途命运的时代之问，也向世界提供了中国答案，那就是“中国人民坚定站在历史正确一边、站在人类文明进步一边，坚持走和平发展道路，与各国人民携手构建人类命运共同体”。 天安门广场的庄严阅兵不仅让世界看到中国国力的长足进步，也让人们看到中国始终不渝做世界和平的建设者、全球发展的贡献者、国际秩序的维护者的诚意和坚定。
? 王彭森记者 张金玲 摄
20251008 ? 黑色蕾丝透视露胸旗袍连衣裙不，我完全没有这个问题。在这个过程的任何时刻，我都没有感到丝毫的恐惧，无论是手术还是恢复训练。恰恰相反，他们得拦着我。当然，你确实会注意到一些事情。比如，我非常注意我的支撑脚，因为我个子很高，这对我来说很重要。我发现以前只需要一次支撑的地方，现在需要三次。这是身体保护自己的方式，而对于一个中场球员来说，一切都是接球转身、接球转身，所以你自然会慢个半秒。刚开始有点令人沮丧，但这是恢复过程的一部分。黄金网站9.1网站直接进入在最新动议中，美国海关与边境保护局申请法院驳回 Masimo 申请，援引了“雷神盆地煤炭公司诉雷奇案”的先例，强调国会已为此类争议设定了专门审查程序，Masimo 应首先向国际贸易委员会提出异议，若结果不认可再上诉至联邦巡回法院，而非直接诉诸地方法院。
? 尹建国记者 吴春军 摄
? 造成这种现象的主要原因是北部的昌平承接了海淀、朝阳的外溢客户，特别是昌平沙河、回龙观、东小口等几个板块，承接的是海淀外溢客群，背后有海淀互联网和科技产业产线形成的庞大的“码农”购房群。《酒店激战》第1-5集动漫
