标签
InteractiveWorld 引入了首个可验证的仿真环境以及 InteractiveBench 基准测试，用于评估多模态大语言模型（MLLM）能否可靠地引导人类完成物理任务。研究发现，即使是 Claude Fable 5.1 这样的前沿模型，在长程引导与规划任务上的成功率最高也只有 20-25%。
InteractiveWorld 提出了首个用于人机闭环交互的可验证模拟环境，并配套发布 InteractiveBench 基准（含六大类 120 个多轮任务），用于评估 MLLM 引导人类完成物理任务的能力；实验显示 12 个前沿 MLLM 仍远未可靠，最强模型在长程任务上得分仅约 20-25%。