Dual Exam：多模态智能体与世界模型的受控评测

研究者提出 Dual Exam 基准，将多模态智能体与世界模型分开做受控评测，一项 150 例的耦合配对试点未取得任何任务成功。智能体赛道在固定环境响应机制下比较 10 种配置在 1,088 个条目上的表现，覆盖 15 个报告类别；世界模型赛道包含 8 个场景的 400 个案例，15 种配置全覆盖、1 种覆盖 6 个场景，横跨物理、数字、社会和科学领域。GPT 6 Astra 以 31.3 领先按案例加权的智能体指数，GPT-Image-2 以 21.7 领先全覆盖世界模型总榜，两套分数因任务和指标不同不可直接比较。结果显示任务表现不均衡，并存在未能保留任务相关状态的失败，其对耦合成功或持续相互学习的预测价值尚待确立。