**多模态大模型作为无人机控制代理的能力评估**

_Evaluating Multimodal LLMs as Generalist Vision-Language-Action Agents for Drone Control: Commanding, Approaching, Tracking and Searching_

> 研究将多模态大语言模型直接应用于无人机控制循环，提出DroneCATS-Agent架构与DroneCATS基准测试。评估前沿与开源模型在目标接近、动态追踪、视野外搜索及多机编队指挥四项任务中的表现。研究发现，小参数开源模型在导航可靠性上有时优于前沿模型，但两者均存在动作协议执行缺陷——小模型常过早或未能正确声明任务完成，多机指挥时更会盲目复制单一坐标。核心差距不在于空间感知，而在于维持协议纪律与正确终止动作的能力。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-02 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.01404)