Dual Exam：多模态智能体与世界模型的受控评测

Dual Exam 分别评测智能体与世界模型，耦合配对试点零成功。

资讯摘要

论文提出 Dual Exam 评测框架，在固定环境响应机制下测试多模态智能体，在固定动作干预下测试世界模型，覆盖物理、数字、社交与科学领域。智能体赛道在 1,088 个条目上比较 10 种配置，世界模型赛道含 400 个案例、八个场景。作者报告 GPT 6 Astra 以 31.3 居智能体指数首位，GPT-Image-2 以 21.7 居全覆盖世界模型总分首位，两者任务与指标不同、不可直接比较。

要点速读

1. 智能体赛道在 1,088 个条目、15 个报告类别上比较 10 种配置；世界模型赛道含 400 个案例、八个场景，15 种配置全覆盖、1 种覆盖六个场景。
2. 作者报告 GPT 6 Astra 的案例加权智能体指数为 31.3，GPT-Image-2 的全覆盖世界模型总分为 21.7，两项分数不可直接比较。
3. 一个 150 案例的耦合配对试点记录到零任务成功，作者据此提出需做组件级诊断，并指出结果对预测耦合成功或持续互学仍待验证。

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 2026/10/24 08:00:37（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。