AutoWorldModel-Bench：面向自动化世界模型研究的新型基准发布

摘要：AutoWorldModel-Bench 是一个针对自动化世界模型研究的新型闭环基准平台，旨在评估AI智能体在开放性研究任务中的表现。该平台通过八个游戏环境测试AI智能体在统一结构化状态表示下的动态建模能力，并提供固定计算预算下的自主优化任务。实验表明，Codex-5.4 和 Claude Opus 4.6 在 64 次测试中 63 次成功优化了初始模型，其中 91% 的改进属于非平凡的研究性修改，而非简单的超参数调整。这一基准为AI智能体在开放性研究中的评估提供了新的标准。

---

新型AI研究基准：AutoWorldModel-Bench 正式发布

核心突破

• 自动化世界模型研究平台：AutoWorldModel-Bench 是一个针对AI智能体在开放性研究任务中的表现进行评估的闭环基准平台。
• 统一结构化状态表示：该平台通过八个游戏环境测试AI智能体在统一结构化状态表示下的动态建模能力。
• 固定计算预算下的自主优化：AI智能体在固定计算预算下对提供的世界模型进行自主优化。

技术亮点

1. 多环境测试：平台涵盖八个游戏环境，提供了多样化的测试场景，确保AI智能体在不同环境下的适应性和鲁棒性。
2. 统一状态表示：采用从每个游戏中提取的地面实况实体状态，并通过共享张量格式进行消费，从而将动态建模与感知分离。
3. 高效迭代：每轮测试仅需几分钟，支持快速迭代和优化。
4. 非平凡研究性修改：在 64 次测试中，91% 的改进属于非平凡的研究性修改，如新的目标、表示、展开过程或架构变化，而非简单的超参数调整。

行业影响

• 推动AI智能体研究：该基准为AI智能体在开放性研究中的评估提供了新的标准，有助于推动AI智能体在复杂任务中的研究进展。
• 促进AI编码代理发展：通过提供统一的测试平台，促进AI编码代理在自动化研究中的应用和发展。
• 支持多智能体协作：该平台还可以用于评估多智能体系统在复杂环境下的协作能力，为多智能体研究提供支持。

对开发者的建议

• 利用基准进行测试：开发者可以利用该基准对AI智能体进行测试，评估其在开放性研究任务中的表现。
• 关注非平凡研究性修改：在优化AI智能体时，应关注非平凡的研究性修改，以提高智能体的整体性能。
• 参与平台建设：开发者可以参与该平台的建设和完善，为AI智能体研究贡献力量。

原文出处

AutoWorldModel-Bench: A State-Centric Benchmark for Automated World-Model Research

---

消息来源：ArXiv AI (cs.AI) (2026-08-14)

—— 完 ——

主题标签： #AutoWorldModel-Bench #AI智能体 #世界模型 #自动化研究 #基准测试