GlobeBench 发布文本世界模型基准，GPT-6 Astra 成功率 49.57% 居首
原文标题：GlobeBench: Evaluating Text-Based World Model Capabilities for Scalable Environment Simulations
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文发布 GlobeBench，包含五大领域、十九项模拟技能共 1632 个任务，用于评测文本世界模型预测环境状态转移的能力。在 20 个通用大模型与专用文本世界模型中，GPT-6 Astra 以 49.57% 任务成功率居首。当动作影响需传播到依赖对象时，全部模型平均成功率骤降至 5.1%，仍有 631 个任务无人解决。
- 问题
- 文本世界模型缺少标准化基准来比较其预测环境状态转移的能力。
- 方法
- 构建覆盖五大领域、十九项模拟技能的 1632 任务基准，用确定性门控加语义判官混合评分。
- 结果
- GPT-6 Astra 以 49.57% 成功率居首；动作影响需传播到依赖对象时平均成功率降至 5.1%，631 个任务无人解决。
- 影响
- 做智能体环境模拟时别高估现有模型，多步因果传播仍是硬伤。
深读 · 结论先行AI 生成展开看要点与影响 ↓
GlobeBench 测文本世界模型：GPT-6 Astra 成功率 49.57% 居首，依赖传播场景骤降至 5.1%。
- •基准含五大领域、十九项模拟技能共 1632 个任务，对比执行推导的参考结果
- •20 个通用大模型与专用文本世界模型中，GPT-6 Astra 以 49.57% 成功率最高
- •动作影响需传播到依赖对象时，20 个模型平均成功率仅 5.1%
- •仍有 631 个任务无任何模型解决
- •模型准确率随动作影响的环境范围扩大而下降
为什么重要：若打算用 LLM 做 RL 环境模拟，这条给出明确上限：单步预测尚可，多对象连锁影响基本不可用。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。