AutoWorldModel-Bench Menguji Apakah Agen Pengkodean Dapat Meningkatkan Model Dunia
Pracetak arXiv baru memperkenalkan tolok ukur untuk mengevaluasi agen pengkodean sebagai peneliti model dunia terbuka di delapan lingkungan game, melaporkan peningkatan dalam 63 dari 64 sesi.