引入了两个新基准测试 PACE-Bench 和 SimuScene,用于评估大型语言模型在动态和受物理学启发的环境中的能力。PACE-Bench 侧重于在不断变化的环境中通过代码演化进行物理适应性测试,其中 GPT-5.5 在一个子集上取得了 66.7% 的成功率。SimuScene 专门针对受物理学启发的动画的代码生成,即使是顶尖模型也难以应对,表现最好的模型准确率仅为 21.5%。研究人员正在探索模拟器为基础的反射和带有视觉奖励的强化学习等方法,以提高 LLM 在这些复杂领域的性能。 AI
影响 这些基准测试突显了当前 LLM 在动态、基于物理的推理和视觉生成方面的局限性,推动了对更强大的适应性和强化学习技术的研究。
排序理由 两篇新的研究论文介绍了用于评估 LLM 在物理适应和动画生成能力方面的新型基准测试。
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- Gotit.pub
- Hugging Face
- IArxiv
- large-language models
- ScienceCast
- SimuScene
- Yanan Wang
- GPT-5.5
- PACE-Bench
- Qwen3 14B
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →