text-simulation

GlobeBench 提出一个包含 1,632 个任务的标准化基准，用于评估文本世界模型模拟 RL 环境状态转移的能力；评测 20 个 LLM 后发现即使是表现最好的 GPT-6 Astra 任务成功率也仅 49.57%，且 631 个任务无任何模型解决，凸显模型作为通用世界模型仍存在显著差距。

GlobeBench 引入了一个包含 1,632 个任务、覆盖五大领域的标准化基准，用于评估文本世界模型，发现当前 LLM——以 GPT-6 Astra 的 49.57% 领先——在跨依赖对象传播动作效果方面表现严重不足。

一位开发者构建了 Slop-Cops，这是一个 Reddit 应用，其中五个 AI 代理角色会对用户提交的项目创意进行辩论和评分，使用了 Google Gemini API 和 Reddit 的 Devvit 平台。