大语言模型的突破推动了智能体研究，聚焦于感知、记忆、推理、规划和行动等核心模块。随着大多模态模型的出现，智能体能够同时处理图像、音频、视频等信息，提高了在真实环境中的适用性。
本文首先回顾了从纯文本智能体到多模态框架的演进，指出感知层通过委托、后融合和前融合三种架构将多模态输入整合进 LLM 主干。随后分析了多模态感知如何支撑基于视觉、听觉的推理和规划，使得智能体能够执行如机器人操作、图形界面导航、媒体内容生成和长视频检索等任务。
我们依据模态中心的分类法，将现有工作映射到不同的架构选择与能力表现，并在各应用场景中比较了性能、训练与推理成本、延迟以及部署限制等效率‑可扩展性权衡。
最后指出当前多模态智能体在跨模态协同、长期记忆保持和通用性方面仍存显著空白，并提出了面向通用智能系统的研究路线图。
博主点评：本文系统梳理了多模态智能体的技术脉络，为后续研究提供了清晰的框架和方向。