标签
本文介绍了Pre-Flight，这是一个包含300道多选题的开源基准测试，旨在评估大型语言模型在航空运行知识方面的表现，覆盖国际法规和地面操作。结果显示，即使是2026年最强模型也只能达到82.7%的准确率，远低于约95%的专家参考水平，突显了持续存在的可靠性差距。
介绍了Teach VLM，一种从移动屏幕演示中提取逐步操作知识的模型，以及Teach-and-Repeat范式，该范式利用这些知识指导GUI代理，在新基准上实现了最先进的性能。