DuoCook基准衡量双人烹饪中的视觉规划与协作

DuoCook是受Overcooked启发的双人烹饪视觉规划基准，环境由编码智能体在虚幻引擎搭建。单一视觉语言模型凭俯视画面同时控制两名玩家并选择高层动作。20张地图覆盖设备争用、地形变化与交接依赖。最强模型gpt-6-astra平均订单完成率仅26.2%。

A1 个来源13.98132965368736453 分钟前视觉语言模型多智能体协作基准评测视觉规划DuoCook

要点

双人烹饪要求模型跟踪变化场景、安排菜谱步骤并在时限内分配共享资源，而现有视觉语言模型的完成率仍然很低。

面向研究视觉规划、多智能体协作和视觉语言模型评测的研究者与开发者。

公开资料未说明代码、数据或接口的获取方式；国内可用性未知，价格未知，参数细节未知，未实测。

本站已实测

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。

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。

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。

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。

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。