AsgardBench:面向视觉接地的交互式规划基准

微软推出 AsgardBench,一个基于 AI2-THOR 的具身智能基准,用 12 类任务共 108 个受控实例评估智能体能否根据视觉观察在任务执行中动态修正计划。测试显示,高绩效模型必须依赖视觉输入才能稳定成功,图像输入使多数模型成功率翻倍以上,同时暴露出细节视觉区分、跨步任务状态追踪和计划及时更新三方面短板。