AgentVQA：面向智能体视觉理解的统一基准

研究者推出离线视觉问答基准 AgentVQA，用于评估视觉语言模型在 Web Agents、机器人、第一人称视频、游戏和空间规划五类智能体场景中的表现。该基准从 23 个源数据集中人工挑选 1000 个真实难例构建，22 个受测模型中最佳仅取得 58.5% 准确率。