随着大语言模型能力向决策推理深化，传统仿真环境已显不足。MIT推出的VirtualEnv平台，基于虚幻引擎5构建，旨在统一视觉真实度、语言驱动、复杂任务与多智能体协作，为LLM/VLM在真实交互环境中的系统性评测与研究提供了全新解决方案。
智能速览
基于虚幻引擎5构建，提供业界领先的视觉真实度。
允许智能体通过自然语言直接与环境交互和修改。
内置超过20000个具备明确可供性的高分辨率资产库。
引入逃脱房间基准，用于系统性评估AI的多步推理能力。
支持多个AI智能体实时协作，提升复杂任务成功率。
精华内容
为了深入评测LLM在真实环境中的决策与规划能力，VirtualEnv平台通过四大核心支柱，构建了一个统一且强大的研究生态系统。
UE5高保真环境
VirtualEnv的核心基础是Unreal Engine 5，这使其能够构建出视觉保真度极高的仿真环境。平台支持室内与室外一体化场景，覆盖了办公室、商店、城市街区等多种复杂环境。在用户盲测中，其视觉真实度显著高于AI2-THOR、Habitat等现有主流仿真平台，为视觉语言模型（VLM）提供了更接近现实的测试床。
语言即接口
该平台通过Python API与大语言模型和视觉语言模型深度集成，实现了“语言即接口”的交互范式。智能体可以直接接收自然语言指令，进行任务理解、行为规划、执行操作，甚至主动修改环境，真正做到了“用语言操作世界”，极大降低了人与智能体、智能体与环境之间的交互门槛。
资产与语义建模
平台内置了一个包含超过20,000个高分辨率资产的大规模库，每个资产都明确标注了可供性，例如“可开”、“可拿”、“可移动”等。配合UE5的物理引擎，这些资产能支持真实的状态变化。其核心是场景图（Scene Graph）驱动的语义建模，它统一表示了对象、空间关系与状态，成为连接语言规划与物理执行的关键中间层。
评测基准设计
为系统性评测具身智能，VirtualEnv引入了名为“Escape Room”的逃脱房间基准。该基准包含四个难度层级，旨在全面考察智能体的多步推理、误导信息识别、多线索整合能力。通过这种设计，研究者可以更清晰地了解模型在复杂问题解决过程中的优势与缺陷。
多智能体协作
VirtualEnv支持多个由LLM驱动的智能体在环境中并行执行任务。平台实验证明，在复杂任务场景中，多个智能体通过分工协作，其任务成功率相比单个智能体有显著提升。这为研究多智能体间的通信、协商与协同策略提供了重要的实验平台。
