研究人员在《Overcooked》中测试四种AI模型，最佳模型平均仅完成26.2%的订单

研究人员在《Overcooked》虚拟厨房环境DuoCook中测试四种视觉语言模型，GPT-6-Astra平均完成26.2%的订单，其余三种模型为8.8%至11.2%。动态障碍、共享设备和食材传递带来明显挑战；共享笔记本虽提升Claude得分，却使GPT和Gemini表现更差，四种模型API成本均上升。该研究仍是预印本，结论适用范围有限。