Az AutoWorldModel-Bench teszteli, hogy a kódoló ügynökök javíthatják-e a világmodelleket
Az új arXiv preprint egy benchmarkot mutat be a kódoló ügynökök nyílt végű világmodellkutatókként való értékelésére nyolc játékkörnyezetben, és 64-ből 63-ban számol be fejlődésről.