Dual Exam分轨评测多模态智能体与世界模型
Dual Exam提出受控评测，分别检验多模态智能体动作选择与世界模型状态演化，覆盖物理、数字、社会与科学领域。智能体赛道1088题中GPT 6 Astra案例加权指数为31.3，世界模型全覆盖中GPT-Image-2总体分为21.7，二者指标不同不可直接比较。一项150例耦合试点任务成功数为零。
要点
- 智能体赛道比较10种配置、1088个项目和15个报告类别，GPT 6 Astra以31.3领先案例加权指数。
- 世界模型赛道含400个案例和八种场景，15种配置全覆盖，GPT-Image-2的全覆盖总体分为21.7。
- 150例耦合试点的任务成功数为零，且任务表现不均、任务相关状态保持失败，预测耦合成功的价值仍待验证。
为什么值得看
智能体与世界模型会相互影响，但耦合结果难以区分动作选择和状态演化的问题，因此需要在固定条件下分别测试。
谁会受影响
面向评估多模态智能体、世界模型及其跨物理、数字、社会与科学任务表现的研究者。
今天就能怎么试
可查阅该arXiv论文摘要了解评测设计；代码、数据、国内可用性、价格与具体参数均未知，且未实测。
原始来源
1Dual Exam: Controlled Evaluation of Multimodal Agents and 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。