English(EN) AtariBench: Evaluating Spatiotemporal Reasoning of Vision-Language Models in Atari Gameplay

新的 AtariBench 基准揭示了视觉语言模型在动态环境中的局限性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-09 05:00

一个名为 AtariBench 的新基准已被开发出来，用于评估视觉语言模型（VLMs）在动态环境中的时空推理能力。该基准利用了 20 款 Atari 2600 游戏，要求模型根据高时间分辨率的游戏流做出顺序决策。初步实验表明，当前最先进的 VLM 在推断物体运动方面存在困难，表现出脆弱的决策能力，并且经常忽略视觉反馈而偏向于文本历史。 AI

影响突出了当前视觉语言模型的一个关键差距，表明需要改进时空推理能力以应对现实世界的动态应用。

排序理由该集群描述了一个用于评估 AI 模型的新基准，该基准发表在一篇学术论文中。

在 arXiv cs.CV 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: 15 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了一个用于评估 AI 模型的新基准，该基准发表在一篇学术论文中。
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, product; 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.CV TIER_1 English(EN) · Mingjia Huo, Yao Fu, Bo Chang, Yaqing Wang, Dawei Zhu, Dylan Zhang, Xinyang Yi, Lichan Hong, Ed H. Chi, Hao Zhang, Jiaxi Tang · 2026-11-09 05:00

AtariBench：评估视觉语言模型在Atari游戏中的时空推理能力

arXiv:2611.08755v1 Announce Type: new Abstract: Vision-Language Models (VLMs) have achieved strong performance on static visual understanding benchmarks, yet their ability to act in dynamic environments remains less well understood. We introduce AtariBench, a controlled benchmark…

本文如何被排名

报道来源 [1]

AtariBench：评估视觉语言模型在Atari游戏中的时空推理能力

相关实体

相关话题