AutoWorldModel-Bench ทดสอบว่า Coding Agent สามารถปรับปรุง World Models ได้หรือไม่
การพิมพ์ล่วงหน้าของ arXiv ใหม่แนะนำเกณฑ์มาตรฐานสำหรับการประเมินตัวแทนการเขียนโค้ดในฐานะนักวิจัยโมเดลโลกแบบปลายเปิดในสภาพแวดล้อมของเกมแปดแบบ โดยรายงานการปรับปรุงใน 63 จาก 64 เซสชัน