HarnessEval-W：用智能体评估视觉世界
HarnessEval-W 是一套面向世界模型的智能体评估流程。它不再只输出单一分数，而是将每个评估问题拆解为可测量的子问题，并为各个子问题配置具有专属上下文和诊断工具的专业子智能体。上级智能体会验证收集到的证据并生成最终结论，从而形成透明的证据树。该方法在 18 个代表性世界模型的 330 个评估案例上进行了测试，判断结果与人类偏好高度一致，同时能够细致诊断物理规律、因果关系和世界状态演变方面的问题。完整流程将作为开源基准发布。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。