跨平台多模态智能体基准测试最高仅35.26分

Crab框架近期发布了全新基准测试——Crab Benchmark-v0，旨在评估数字设备上执行任务的智能体（Agent）性能。该基准测试覆盖Android与Ubuntu两大主流平台，为行业提供了可靠的测试环境。测试集包含100个真实世界任务，涵盖单平台及跨平台多个难度等级。

这些任务并非实验室玩具，而是聚焦于用户日常真实使用的应用与工具：日历、电子邮件、地图、网络浏览器、终端，以及智能手机与台式机之间的常见交互，具有极高的实用价值。

框架

设想一个智能体（Agent）在数字设备（如台式机）上自主执行任务：设备通过鼠标和键盘获取输入，屏幕作为输出窗口供人类观察其状态。在学术上，研究者将此类设备定义为“平台”，并形式化为无奖励的部分可观测马尔可夫决策过程（POMDP），以元组（S,A,T,O）表示——S为状态空间，A为动作空间，T为转移函数，O为观测空间。

在实际场景中，多设备协同工作更为常见。因此，可将多个平台组合为集合，每个平台拥有各自的形式化表达。跨平台操作的任务可定义为(M,I,R)：M代表平台集合，I为自然语言指令形式的任务目标，R为奖励函数。

Agent系统的内部运作机制清晰：可由单个Agent负责全流程的规划、推理与执行，也可由多个Agent协作完成。系统保留对话历史记录，并依赖预设的系统提示指令运行。

将复杂任务分解为更简单的子任务，是提升Agent系统完成高难度任务效率的关键策略。研究者将此思路引入基准测试，提出“分解任务图”（GDT）概念：利用有向无环图（DAG）结构分解复杂任务。图中每个节点代表一个子任务，形式化为(m,i,r)，其中m指定执行平台，i为自然语言指令，r为奖励函数——该函数评估平台状态并输出布尔值以判断子任务是否完成。图中的边定义了子任务之间的执行顺序。

跨平台

与仅运行于单一平台的任务相比，跨平台任务具有三大显著优势。

第一，真实模拟人类日常工作场景——人们经常同时使用手机和电脑。第二，跨平台任务要求Agent在设备间完成复杂的消息处理与传递，包括规划行动、为每个平台生成输出，并记住需在不同设备间流转的信息。这考验了Agent对现实世界的高层次理解能力与复杂任务解决能力。

第三，多Agent系统在应对复杂任务方面已展现出有效性，而跨平台任务天然适配此类架构——不同Agent可基于各自平台的观测空间、动作空间及专业知识进行分工协作。

Crab通过统一接口使Agent能在所有平台上执行操作。每个动作由名称、所属平台、功能描述及参数定义。Agent每回合需提供动作名称、参数和目标平台，Crab负责将动作转换为实际功能，并通过网络路由至物理设备或虚拟设备执行。

图评估器

评估大语言模型作为Agent的能力时，多数基准测试仅关注操作结束后平台的最终状态——只要最终结果正确即视为成功。然而，仅判定最终目标成功与否显然不够公平，正如考试中虽然大题不会，但写出“解”字也应酌情给分。

另一种方法是轨迹匹配，即将Agent的操作序列与预设标准操作序列进行对比。该方法同样存在缺陷：现实世界中同一任务常有多条正确执行路径，例如复制文件既可通过文件管理器完成，也可通过命令行实现，两者均为正确。

于是，研究者提出了一种更智能的方案：采用与平台状态同步的图评估器。该评估器基于子任务完成的当前状态，实时追踪Agent的进展。除传统成功率（SR，要求所有子任务全部完成才算成功）外，还引入三个新指标用于衡量Agent的绩效与效率。

实验选取了四种满足条件的多模态模型：GPT-4o、GPT-4 Turbo、Gemini 1.5 Pro和Claude 3 Opus。部分结果如下：