双重考试：多模式代理人和世界模式的受控评估

Arxiv：2610.31066v2宣布类型：替换摘要：世界模型(WMS)可以通过模拟经验来支持多通道代理(MA)，而代理轨迹可以为世界模型的精化提供信息。评估这种相互作用需要关于动作选择和状态演变的单独证据。我们引入了双重考试，它在固定环境反应机制下测试代理人，在固定行动干预下测试世界模型，跨越物理、数字、社会和科学领域。代理跟踪比较15个报告类别中1,088个项目的10个配置。世界模型路径包含8个场景中的400个案例；15个配置全面覆盖，1个覆盖6个场景。GPT 6 Astra以31.3领先于案例加权代理指数，GPT-Image-2以21.7领先于全面覆盖的WM。这些分数使用不同的任务和衡量标准，不能直接进行比较。一对配对的150例飞行员记录了零任务成功，并激发了部件级诊断。结果显示任务绩效参差不齐，未能保持与任务相关的状态。它们在预测成功组合或持续互惠学习方面的价值仍有待确定。