English(EN) GlobeBench: Evaluating Text-Based World Model Capabilities for Scalable Environment Simulations

GlobeBench 基准测试揭示大型语言模型难以应对复杂世界模拟

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-19 04:00

研究人员推出了 GlobeBench，这是一个旨在评估文本世界模型在模拟复杂强化学习环境中的能力的新基准。该基准包含五个领域和十九种模拟技能的 1,632 项任务，评估模型根据智能体轨迹和规则理解来预测环境响应的能力。在对 20 个通用和专用模型的评估中，GPT-6 Astra 取得了最高的 49.57% 成功率，尽管当操作影响到更大比例的环境或依赖对象时，准确率显著下降。研究突显了当前大型语言模型在通用世界建模方面存在巨大差距，有 631 项任务是所有测试模型都未能解决的。 AI

影响强调了当前大型语言模型在复杂环境模拟方面的局限性，指出了世界建模未来研究和开发的方向。

排序理由该集群描述了一个新的文本世界模型基准和评估论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 25 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了一个新的文本世界模型基准和评估论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Nicholas Saban, Charvi Bannur, Mariya Vasileva, Darshan Deshpande · 2026-10-19 04:00

GlobeBench：评估文本世界模型能力以实现可扩展环境模拟

arXiv:2610.22708v1 Announce Type: new Abstract: Text-based world models have recently shown potential to simulate complex RL environment state transitions for a diverse set of use cases. However, no standardized benchmark exists to compare, study and improve these models. Through…

本文如何被排名

报道来源 [1]

GlobeBench：评估文本世界模型能力以实现可扩展环境模拟

相关实体

相关话题