Visual Language Tracking (VLT)和single object tracking (SOT)任务是现在比较重要的任务，相关的数据集都是视频、BBox、文本描述这3者。（同样的，也可以理解为视频理解任务。数据集太小了，同时数据偏向某些任务。数据标注在一些情况下不标准，会误导模型。目标物体会在视频中移动，文本描述很难精确。在该文的观点，现有的标注的数据同样还存在的问题是，数据

现有的LLM在一些方面能力很强，但是存在内在限制如幻觉、自回归性质、scaling law。一个方法是将LLM引入MAS。MAS有很大的好处在于，可以分布式部署Agent，然后汇总所有Agent的结果，从而获得更好的结果。目前已有的研究过于浅显，主要在于：- 仅涉及表明上的协同。- 没有具体设计架构。- 协同过于单一，没有从通用的角度解决问题。我觉得这可能不是一篇很好的论文。在已经掌握了LLM-b

Agent的相关技术是伴随着LLM技术的进步而发展的。由LLM推动的技术进步改变了原有的技术范式，很大程度上是由于LLM可以作为通用任务的处理器。这是一篇很棒的关于LLM-based Agent的综述。论文以方法论这个统一的视角，说明了Agent各个角度的细节。论文同时维护一个github的仓库，该仓库持续更新Agent相关的最新论文。论文的主要有用的内容是agent方法、评估的部分，现实问题偏社