NUS团队发布GameWorld基准，在34款浏览器游戏中评估多模态AI代理

世界杯 · 发表于 2026-4-17 18:55

4 月 17 日（UTC+8），据动察 Beating 监测，新加坡国立大学（NUS）团队发布 GameWorld，一个旨在标准化评估多模态大语言模型（MLLM）在视频游戏中作为通用代理能力的基准测试。该研究指出，尽管视频游戏提供了理想的闭环交互测试床，但现有评估常受限于操作接口不统一和人工启发式验证。 GameWorld 包含 34 款多样的浏览器游戏和 170 项任务，并为每个任务配备了基于游戏底层状态的可验证指标，以实现客观的结果评估。研究团队测试了两种代理接口：一是直接输出键鼠指令的「计算机使用（computer-use）」代理，二是通过语义解析在语义动作空间中操作的通用多模态代理。在对 18 种「模型-接口」组合进行的大规模测试中，结果显示即便当前表现最好的 AI 代理，其游戏能力也远未达到人类水平。研究进一步暴露了游戏代理在实时交互延迟、上下文记忆敏感度以及动作有效性等方面的严峻挑战。相关论文及项目代码已在 Hugging Face 和 GitHub 公开。