研究评测五个LLM生成世界模型：机械有效但结构不准

Djaffal 等研究者发布论文，评测五个 LLM 将自然语言情境生成为部分可观测随机博弈形式世界模型的能力。研究构建了涵盖游戏、情境和文化场景的 44 个场景基准，分析了 410 次首轮生成。 结果显示，135 个生成的世界模型中有 134 个通过严格的机械审计，但置换不变的结构 F1 均值仅为 0.366。研究者据此指出，机械上有效的世界模型并不等于正确刻画了原本的决策问题结构。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。