双轨评测框架Dual Exam：分离多模态智能体与世界模型能力

2026年10月23日，arXiv发布“Dual Exam”双轨评测框架，由论文作者提出并完成任务基准测试。该框架将多模态智能体（Agent）与世界模型（WM）分离测试，覆盖物理、数字、社会、科学四大领域。Agent赛道评测10种配置、1,088个条目、15个报告类别；WM赛道含400个案例、8个场景，其中15种配置实现全场景覆盖，1种仅覆盖6个场景。 在Agent指数中，GPT 6 Astra以31.3分领先；WM综合得分中，GPT-Image-2以21.7分领先。报道特别指出，两条赛道使用不同任务与指标，其分数不可直接对比。该评测框架为多模态智能体与世界模型的研究提供了标准化的受控评估基准。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。