研究：大模型难在多行动者事件世界中预判他人
研究把多智能体、无人行动仍会演化且仅能通过事件日志部分观测的系统称为事件世界，并用Diplomacy对局与Polymarket交易测试大模型预测。给出全部行动时，微调与更多数据改善预测；只给自身行动时，他人影响越强越难，更大模型与更长历史帮助有限，还会高估计划成功。
要点
- 事件世界包含多名独立行动者，主体不行动时系统仍会演化，且只能通过事件日志部分观测。
- 提供全体已记录行动时，微调与更多数据可改善预测；只给主体行动时，更大模型和更长历史帮助有限。
- 想象经验与世界模型初始化仍可能改善策略学习，但预判其他行动者仍是核心挑战。
为什么值得看
许多真实系统包含独立决策的其他行动者，即使主体不行动也会继续变化。若无法预判他人，多步推演和智能体决策就会失真，并高估计划成功率。
谁会受影响
面向研究世界模型、多智能体决策、博弈日志和预测市场的研究者与智能体开发者。
今天就能怎么试
可依据论文摘要了解其分层评测：比较是否提供其他行动者行动、多步推演、未执行行动及对智能体的帮助。代码、数据、价格与国内可用性均未知，本文未实测。
原始来源
1From Single-Actor Environments to Multi-Actor Event Worlds: Can LLMs Be Event World Models? · arXiv cs.AI · 2026年10月23日✓ 已打开核对本条由 AI 根据上面的原始来源整理，经编辑审核后发布。数字和结论以原文为准，发现错误欢迎反馈。
相关动态
开放世界模型结合游戏引擎，单卡生成实时可玩画面
Matrix-Game 4.0 让轻量引擎负责规则和状态，视频模型将低多边形画面转成细致视觉，编码智能体则修改场景与玩法。论文报告 RTX 5090 上实现 480p、60 帧交互，按键到显示延迟为 112 毫秒，并宣布开放代码与资产。实时帧率需与响应延迟分开看。
业务智能体基准检查执行过程，完成任务也可能判失败
BizAgentBench 将 789 份知识文档、601 项业务工具和 50 个长流程任务放进可执行环境，既核验最终目标，也检查中间步骤约束。论文显示只看任务完成会掩盖无效操作；HF 早期标题为 BizBench，arXiv 修订版已改名。同时还应记录任务过程中的工具调用成本。
中英密集文字生图基准发布，专测海报长文与布局
UltraText Bench 提供 432 条人工检查的提示，覆盖 24 类真实场景，中英文各半，每张图要求四至十二处文字。评估分别看文字准确、清晰度、空间安排和场景质量，揭示快速模型可能更清晰却更容易写错字的取舍。适合中文海报选型。
AI协助发现PHP高危漏洞，网站维护者面临集中修补
爱范儿梳理 PHP2Shell 漏洞披露与紧急修补过程，介绍 OpenAI 安全研究在构造可复现证据中的作用。事件涉及底层软件广泛使用带来的连锁影响；具体风险取决于运行版本与部署条件，不能把使用 PHP 都等同于已经遭入侵。