InteractiveWorld：用于构建更优交互式 MLLM 助手的可验证人本环境
InteractiveWorld 是一个用于可验证评估多模态大语言模型（MLLM）的模拟环境，这些模型旨在引导人们完成现实世界中的任务。不同于以机器人为中心的模拟器，该系统模拟闭环交互：AI 助手发出指令，人类代理执行操作，环境随后更新其下一步观察结果。配套基准 InteractiveBench 包含来自六个类别的 120 个多轮任务，并通过可验证的状态奖励评估表现。对 12 个前沿 MLLM 的实验表明，当前模型距离成为可靠助手仍有很大差距。即使是表现最强的 Claude Fable 5.1，在长期引导任务中的最高得分也只有 20%，规划任务则为 25%。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。