CogArena 用浏览器行为实验评测多模态智能体，完成任务不等于复现人类行为特征。
资讯摘要
论文提出 CogArena 基准，包含十项社会与行为科学实验范式，智能体需通过标准网页浏览器，使用与在线参与者相同的视觉刺激和响应界面完成任务。评分分三级：是否完成任务、完成准确度、数据是否呈现各范式在人类身上稳定出现的行为特征。作者对四个多模态模型各跑十次，发现完成任务与复现行为特征并不等同：不少会话未完成，完成的会话中部分特征可稳定复现，部分完全不能。
要点速读
- CogArena 含十项社会与行为科学实验范式，智能体通过标准网页浏览器操作，界面与在线人类参与者一致。
- 评分分三级：任务是否完成、完成准确度、数据是否呈现该范式在人类中稳定出现的行为特征。
- 四个多模态模型各任务运行十次，作者报告许多会话未完成，完成的会话对部分行为特征可复现、部分完全不可复现。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。