Dual Exam：多模态智能体与世界模型的受控评估
世界模型（WM）可通过模拟经验支持多模态智能体（MA），而智能体的行动轨迹也可能帮助改进世界模型。Dual Exam 在物理、数字、社会和科学领域分别评估两类组件：在环境响应机制固定的条件下测试智能体，在行动干预固定的条件下测试世界模型。智能体评测在 15 个报告类别的 1,088 个项目中比较了 10 种配置；世界模型评测涵盖 8 个场景、共 400 个案例。按案例加权的智能体指数中，GPT 6 Astra 以 31.3 领先；在完整覆盖场景的世界模型综合评分中，GPT-Image-2 以 21.7 领先。两项得分采用不同任务和指标，不能直接比较。在 150 个案例的试点测试中，一种耦合组合未能成功完成任何任务。结果显示任务表现不均，并存在无法保留任务相关状态的问题。这些结果能否预测耦合系统的成功或持续的相互学习，仍有待验证。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。