四种视觉语言模型在DuoCook中订单完成率最高26.2%

研究人员在《Overcooked》虚拟厨房环境DuoCook中测试四种视觉语言模型，结果显示最佳模型GPT-6-Astra平均也仅完成26.2%的订单，其余模型为8.8%至11.2%。动态障碍、共享设备和食材传递增加了任务难度；共享笔记本虽提高Claude得分，却使GPT和Gemini表现更差，并推高四种模型的API成本。该研究仍是预印本，结论仅适用于这一限定任务，尚未完成标准同行评审。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。