多模态语言模型中的社会规范推理：一项评估

在多智能体系统中，智能体需具备理解与推理社会规范的能力。现有规范性多智能体系统研究多依赖符号方法，局限于简化环境。相比之下，多模态大语言模型（MLLMs）为机器人在复杂图文场景中识别和推理规范提供了新可能。本文通过三十个文本故事和三十个图像故事，评估了五种 MLLMs 回答规范相关问题的能力，并与人类表现对比。结果显示，MLLMs 在文本规范推理上优于图像，GPT-4o 表现最佳，但所有模型在处理复杂规范时仍面临挑战。