WorldAuditBench 用 213 个任务测多模态智能体查 3D 世界异常，最好模型 42.3%、人类 83.4%
作者构建了 WorldAuditBench——覆盖 13 个 Unreal Engine 5 与 Three.js 环境、五大异常族共 213 个任务的交互式 3D 世界审计基准，并比较单模型 VLM 智能体与两阶段 VLA–VLM 审计器，结果显示 VLM 智能体成功率 28.2%–42.3%、两阶段审计器 6.6%–17.4%，均远低于人类 83.4%。
作者构建了 WorldAuditBench——覆盖 13 个 Unreal Engine 5 与 Three.js 环境、五大异常族共 213 个任务的交互式 3D 世界审计基准，并比较单模型 VLM 智能体与两阶段 VLA–VLM 审计器，结果显示 VLM 智能体成功率 28.2%–42.3%、两阶段审计器 6.6%–17.4%，均远低于人类 83.4%。
已读完全部报道