Dual Exam: Controlled Evaluation of Multimodal Agents and World Models 精读

论文链接：Dual Exam: Controlled Evaluation of Multimodal Agents and World Models 发表时间：2026年10月 机构：香港科技大学（HKUST，第一作者 Zhefan Rao、通讯作者 Haoxuan Che）牵头，联合新加坡国立大学、港理工、东京大学、CMU、UC Berkeley、普林斯顿、剑桥、MIT、斯坦福、牛津等 28 所高校 + XGEN LABS（企业）——共 29 家机构、67 位作者，是当日最大规模的产学研联合评测工作 领域标签：cs.AI 多模态智能体评测 / 世界模型评测基准

一、论文背景

1.1 什么是多模态 Agent 与世界模型的耦合

先从两个概念说起。

多模态 Agent（MA）：能看图、读文字、执行动作的智能体。它接收屏幕截图、场景照片等视觉输入与语言指令，输出点击、移动、操作等动作。比如一个网页 agent 看到购物页面，决定点哪个按钮；一个具身 agent 看到房间，决定走向哪里。

世界模型（WM）：给定了动作之后，预测世界接下来会变成什么样的模型。输入当前画面（状态）和一个动作（“把护照放进背包”），输出执行后的新画面。它就像一个可交互的"想象引擎"——agent 不必真的执行，可以先在世界模型里推演一遍后果。

两者存在天然的互补关系，构成一个诱人的闭环愿景：WM 给 MA 提供模拟经验与动作条件预测（agent 在想象中练习），MA 的交互轨迹又给 WM 提供反馈数据（世界模型从真实交互中变准）。这就是"agent–世界模型共同进化"（co-evolution）的设想。网页领域的 WebEvolver、环境模拟器共进的 GenEnv、交替更新两者的 COMAP 已在窄域做了初步尝试。

1.2 闭环愿景卡在哪里

问题在于，这个闭环的每一圈都要求两侧同时可靠：

• MA 侧仍有视觉接地（看错东西）、动作排序（步骤顺序错）、持续任务完成（中途丢失目标）的困难；
• WM 侧的记忆一致性（改了 A 却把 B 也改了）与动作控制（要求的动作没被执行）同样堪忧；
• 更麻烦的是，耦合之后一方的输出反复成为另一方的输入，模型偏差会随 rollout 累积（MBPO 论文早已警示）。视觉保真度或状态相似度高也不保证规划收益——agent 可能根本用不上预测的结果。

1.3 一个刺眼的试点实验

论文的动机来自一个 0% 的数字：作者让 GPT-5.6 Sol（agent）与 Seedance 2.5（世界模型）耦合，在 10 个场景（Minecraft、日常生活、具身任务、Web UI、驾驶、桌面、软件、工业系统、自然生态、科学实验）各跑 15 个案例，共 150 案例，每案例一次机会、最多 20 步。结果：任务成功率 0.0%。

辅助指标同样惨淡：世界状态一致性（WM 是否保持该保持的东西、实现该实现的动作效果）平均只有 26.6%（场景间 12.7-39.5%）；agent 纠正性响应（发现明显不一致后两步内做出针对性验证/修正）平均 9.2%。

关键不是失败本身，而是失败无法归因。论文给了一个精度的"装箱出发"案例：agent 要把护照、药盒、充电器装进同一个蓝色背包再搬到玄关。逐步执行中，WM 把背包悄悄换成了一个小蓝袋（容器身份漂移）、护照拿错了、充电器变成了黑线缆——而 agent 对四起身份不一致事件没有一次针对性响应，仅有的两次"纠正"都是导航重试。到底是 agent 瞎（没看出状态错了）还是 WM 烂（把世界改坏了）？端到端的 0% 给不出答案。

这就是 Dual Exam 要解决的问题：把耦合系统拆开，在受控条件下分别测两个组件。

二、论文定位和关联工作

2.1 Agent 基准谱系

2.2 世界模型基准谱系

2.3 Dual Exam 的定位

按表 2 的六维对比（多模态输入 / 交互 rollout / 环境接地 / 组件隔离 / 持久状态评测 / 四域覆盖）：Agent 侧，Dual Exam（1,088 单元）是唯一六项全有的基准；WM 侧，Dual Exam（400 案例）同样是唯一。“组件隔离"是全表独一份的差异化卖点——现有所有基准都在评"单个组件在开放条件下的表现”，没有一个设计出"固定对侧变量、单独测这一侧"的受控范式。

论文与自身前期工作的关系也交代得清楚：Scientific 域大量复用 ALE（63 题）、SWE-bench（30 题修复）、EdgeBench（6 题优化），但以显式聚合规则重新组合，并自承这是证据边界而非独立观测。

定位结论：Dual Exam 不是又一个更大的基准，而是第一个把"评测单位从系统降到组件"的双轨诊断框架——它回答的不是"谁最强"，而是"失败的责任在闭环的哪一侧"。

三、问题定义

3.1 从具体困境到抽象问题

具体问题：耦合 MA–WM 系统失败时，如何知道是 agent 选错了动作，还是世界模型没有正确实现动作的后果？

论文的核心洞察是一个变量控制的实验设计原理：想测组件 X，就固定组件 X 之外的一切。这本质上是把受控实验思想（控制变量法）引入 agent 评测——听起来朴素，但在"世界即模型、模型即世界"的多模态耦合系统里，此前没有人系统做过。

形式化定义两条轨道：

Agent 轨（固定世界，测 agent）：

• a_t ~ A_θ(h_t)：候选 agent 从观测-动作历史 h_t 选择动作
• o*_{t+1} = T*(s_t, a_t)：固定参考环境响应机制 T* 返回参考观测
• agent 负责四件事：动作选择、验证、恢复、任务完成

世界模型轨（固定动作，测世界模型）：

• ô_{t+1} = M_φ(ŝ_t, a*t)：规格定义的固定干预序列 a*{1:T} 逐个喂给候选 WM
• 检查生成观测是否：实现请求的动作效果、保持先前状态与身份、维持共享状态一致性、遵守规则

共享规范模板：两轨共用五要素规格——初始条件 + 允许的干预 + 必需的变化 + 保护状态 + 证据规则。同一个不变量（如"物品进容器但容器身份不变"）可以在两轨分别表达：Agent 测里由参考环境执行 agent 选的动作后查目标，WM 测里由固定装箱动作喂给 WM 后查生成画面。

3.2 这个抽象的精妙之处与诚实的边界

三点精妙：

1. 证据而非自报：两轨都基于记录的执行证据对显式目标与状态约束做验证，杜绝模型"宣称完成"的虚报（试点里 HY 类模型"宣告计划完成"的病态在框架层面被排除）；
2. 固定机制 ≠ 正确机制：论文明确"Holding a mechanism fixed controls its variation across candidates; it does not certify its correctness"——固定参考环境只是消除了候选间的变异源，不担保参考本身无错；
3. 两轨不必配对：Agent 轨与 WM 轨的案例不要求一一匹配，各自服务各自的诊断问题（RQ1/RQ2），避免为了形式对称牺牲各自轨的评测效度。

同样重要的是论文给自己划的边界：两轨分数不能反推耦合失败的因果归因，也不能预测耦合训练后的共同进化收益——那是需要配对交互实验与多轮训练评测的另一篇工作。

四、问题解法

Dual Exam 框架分四块：试点诊断、Agent 考试、世界模型考试、聚合规则。

4.1 试点诊断：为什么端到端不够

150 案例 × 10 场景的耦合评测配了两个诊断指标（定义严格、值得玩味）：

• 世界状态一致性：保持任务相关身份与状态 + 实现请求动作效果的检查通过率。分子分母都只算"适用检查"，先在步骤内平均、再在案例内平均。
• agent 纠正性响应：合格可见不一致在两步动作内获得针对性验证/重定位/修正的比例。注意它测的是"有没有响应"而非"修没修好"——论文刻意区分这两个层次。

装箱案例的 14 步轨迹显示：状态一致性曲线最终 0.316（6/19 检查）、纠正响应 0.286（2/7 事件），且两次响应都是导航重试，四起身份漂移无一获针对性响应。诊断到此为止——哪一侧的责任，无法从耦合数据中剥离。这就是双轨设计的起点。

4.2 Agent 考试：固定环境响应，测 10 个配置

基准构成：1,088 项评测任务、15 个报告类别、四域分布：物理 524（48.2%）、数字 255（23.4%）、社会 200（18.4%）、科学 109（10.0%）。

15 个类别及题量：规划 30、操作 42、导航 282、动作排序 170、网页交互 74、桌面应用 95、移动应用 35、游戏交互 51、协调与策略 87、水/土/气候 56、生态与健康 57、数学与计算 15、健康与医学 25、生命科学 32、物理科学 37。

科学域的 109 项是个复合体：63 题 ALE + 30 题 SWE-bench 科学代码修复 + 10 题 ToolChoice 检查点（从修复工作流派生的工具选择决策点）+ 6 题 EdgeBench 优化任务。论文显式给出聚合公式，SWE 与 ToolChoice 计严格二值分（过=100/不过=0），Edge 计梯度分（Dual Exam 自行把 Borden 与 DABIC 裁剪到 [0,100]，并声明这不是 EdgeBench 官方规则）。

评测协议：每任务指定目标、初始状态、允许动作、规则与必需检查；候选 agent 在受控环境交互，预算预定义；全程记录观测、动作、状态与产物；任务专属验证器打严格分或梯度分，技术性无效记录单列。

聚合：Index = Σ_c n_c·s_{m,c} / 1088，即按题量的 case-count 加权。论文强调这反映的是题库构成而非领域重要性，并附等域加权版本作对照。

4.3 世界模型考试：固定动作干预，测 16 个配置

基准构成：400 案例 × 8 场景（每场景 50 案例）：物理域的具身、驾驶、日常生活；数字域的网页、游戏；社会域的人机交互；科学域的自然科学、专家科学。域权重为物理 37.5%、数字 25%、社会 12.5%、科学 25%。

案例构建：行为轨迹提供案例种子 → 扩展为干预序列与案例专属评分规则 → 自动筛查 + 专家审查。每个案例规格定义：干预序列、请求效果检查、身份与状态保持检查、共享状态一致性检查、规则遵守检查。

评测协议：固定干预 rollout，检查生成观测是否实现请求变化且不破坏保护状态。16 个配置中 15 个覆盖全部 8 场景（图像组：GPT-Image-2、Qwen-Image-3.0、Nano Banana 2、Seedream 5.0 Pro、MiniMax H3；视频组：Kling 3.0、Cosmos3 Super、LTX 2.5、AlayaWorld、Zing 0.5、YUME 1.5、Matrix Game 3.5、Echo WM、LingBot World v2、SANA WM）；Seedance 2.5 因人脸生成限制缺 Daily Life 与 Human Interaction 两场景，只覆盖 6 场景（300 案例），部分覆盖均值单独列示、不进全覆盖排名、缺项不计零——这个处理在排行榜泛滥的当下相当克制。

聚合：WM Overall = 8 场景均值（0-100 分制）。图像与视频分开排（跨模态比较仅描述性），因为共享的可测目标是"可观察的任务一致状态演化"，而视频额外提供静态 checkpoint 无法给出的时序证据（一张貌似合理的静图无法证明振荡周期）。

4.4 附加任务与全流程全景

Agent 榜之外另附严格二值结果：SWE 修复 30 题中 GPT 6 Astra 过 14 题、GPT 5.6 Sol 10 题、DeepSeek V4.1 Flash 8 题，而 Kimi K3 与 Seed 2.1 Pro 均 0/30——审计发现后者的 0 分主要因为"未能进入 Claude Code/API 工具循环"，属配置级观察而非模型能力的受控测量；ToolChoice 10 题中 8 个配置各过 2 题。这组数据与四模型审计还揪出一个规格缺陷：六个检查点要求的 task id 参数未在提示词中给出——论文如实保留原始严格分并声明这些失败不能全归咎于工具选择能力。

五、评估指标与实验证据

5.1 指标体系梳理

主指标：

• Agent Index（case-count 加权 0-100 分）：衡量固定环境下动作选择到任务完成的综合执行；
• WM Overall（8 场景等权 0-100 分）：衡量固定干预下状态演化的综合实现。

诊断/辅助指标（试点）：世界状态一致性（身份/状态保持 + 动作效果实现）、agent 纠正性响应（不一致后两步内针对性响应率）、任务成功率。

消融性设计：等域加权 Index（检验排名对域混合的敏感性）；部分覆盖单独列示（检验排名对覆盖范围的敏感性）；场景/类别分解剖面（检验聚合分是否掩盖短板）。

指标与论点的对应：论文的论点是"端到端不足以诊断、组件级剖面才有信息量"。支撑它的不是哪个单一高分，而是三组结构性对比：高聚合 vs 低单项（agent 侧）、总分领先 vs 单项反转（WM 侧）、耦合 0% vs 组件各自有分（试点 vs 双轨）。

5.2 主结果表

Agent 榜（10 配置 × 1,088 项，Index 与关键类别分）：

（类别满分 100；完整 15 类见论文表 3。）

WM 榜（全覆盖配置，8 场景均值 + 关键单项）：

（†六场景部分覆盖，不入全覆盖排名；完整表见论文表 4。）

试点 vs 双轨对照（耦合 GPT-5.6 Sol × Seedance 2.5）：

5.3 四个核心发现

发现一：agent 高聚合分与低执行分共存。Astra 以 31.3 高居榜首、领先第二名 10.6 分，但桌面应用交互最高分只有 5.6、操作 9.5、动作排序 11.2——三个执行密集类别全体塌陷。规划 63.3 与桌面 5.6 的巨大反差说明：“想得出"与"做得成"是两种能力，聚合分掩盖执行短板。

发现二：排名依赖域混合。等域加权后 DeepSeek 从第六升到第二、Kimi 从第五升到第四，Astra 仍第一。物理任务占 Index 的 48.16% 权重，换个权重就换一批座次——论文用可复算的聚合公式把这种敏感性摆在明面上。

发现三：WM 的"响应指令"与"保持状态"是两种独立能力。Qwen-Image-3.0 在摆案例里恢复了装置视图（响应好）却在叠杯案例里凭空多出杯子（保持差）；MiniMax H3 保持杯数（保持好）却引入没人要的红托盘（响应差）；GPT-Image-2 两者兼顾（保住原托盘颜色）。总分第一的 GPT-Image-2（21.7）与 MiniMax H3（17.3）在具身单项上排序反转（20.9 vs 53.8）——场景画像而非单一总分才是 MA–WM 配对选型的依据。

发现四：数字场景是所有 WM 的共同短板。全部 16 个配置 Web ≤16.5、Game ≤13.3。具身 53.8 的 MiniMax H3 在 Web 只有 3.7；日常 46.1 的 Qwen-Image-3.0 在 Web 只有 10.7。无论图像还是视频、无论物理多强，UI 元素的精确状态演化是集体盲区。

附加证据：局部正确 ≠ 有效解。导航案例中 agent 能判断局部可行性，却给出含不存在边的路径；动作排序案例中能选出正确片段，却排不出正确顺序。识别相关元素与满足全局约束是两回事——这正是 agent 端执行分低的机制切片。

5.4 方法学自审（论文附录 C 的诚实清单）

论文以罕见的力度自陈局限：WM 分数尚无独立分层的评分一致性估计；装箱审计是回溯性的（规则在看过轨迹后才定）；Scientific 聚合混合二值与梯度分且 Borden/DABIC 裁剪是自定约定；各配置执行 harness 与预算不匹配（Astra 用原生 Codex 配置、其他三家走 API）；无重复运行的显著性检验——配置间差异不构成统计显著优劣；未跑 copy-last-frame / no-op / shuffled-action 对照（论文还细致指出这三种对照的评分目标不能错配）。这些自审本身就是方法学贡献的一部分。

六、效果优势的根源解释

6.1 根源机制与证据链

这里的"效果优势"指 Dual Exam 相对端到端耦合评测与单侧基准的诊断信息增益。因果链如下：

对比对象一：端到端耦合评测。它曾经有效的原因：任务成功是最终关心的量，测它最直接。根本局限：耦合系统中 WM 输出喂给 MA、MA 动作决定 WM 要生成的转移，两个组件的误差在闭环里乘性地纠缠——150 案例 0% 成功率只含一个比特的诊断信息（“系统坏了”），状态一致性 26.6% 与纠正响应 9.2% 也只能描述现象、无法定位责任（论文实验支持：装箱案例四起身份漂移无一获得针对性响应，无法判断是感知缺失还是输出层失效）。

对比对象二：单侧基准（AgentBench 类 / WorldScore 类）。它们曾经有效的原因：各自领域内任务效度高。根本局限：没有受控的"对侧"概念——agent 基准的环境响应机制随被测系统变化，WM 基准的动作序列不是规格化固定的，跨候选比较时对侧变异混入分数。

Dual Exam 的根本性改变（因果链）：

1. Agent 轨固定 T* → 环境响应变异源归零 → 分数差异纯反映 agent 侧决策质量 → 揭示高聚合/低执行共存（Astra 31.3 vs 桌面 5.6，论文实验支持）；
2. WM 轨固定 a*_{1:T} → 动作输入变异源归零 → 分数差异纯反映 WM 侧状态演化质量 → 分离"响应指令"与"保持状态"两种能力（Qwen/MiniMax/GPT-Image-2 三例对照，论文实验支持）；
3. 共享五要素规格 → 同一不变量两轨可测 → 为未来配对交互实验提供规格语言（设计层论证，耦合预测力属本文明确留白）;
4. 显式聚合规则 + 等域加权对照 → 排名敏感性可见 → 防止"换权重换冠军"的误读（论文实验支持：DeepSeek 六→二）。

反事实推理：若不做组件隔离，直接用耦合分数选 WM——MiniMax H3 总分 17.3 会输给 GPT-Image-2 的 21.7，但若 agent 的轨迹集中在具身场景，H3 的 53.8 对 20.9 反超可能才是配对成功的关键。单一总分在这类决策里结构性失效，场景剖面的信息增益正是双轨设计的必要性反证。

6.2 相关工作检索与对照

本任务未执行外部检索，因果链基于论文自身实验与机制分析，以下对照来自深读提取清单与论文 Related Work 的谱系信息：

6.3 综合判断与未决问题

多项证据共同支持的机制：(1) 组件隔离产生增量诊断信息（试点 0% 的不可归因 vs 双轨剖面可归因到侧别与场景）；(2) 聚合分掩盖结构性短板（agent 执行三类别塌陷、WM 数字场景集体失守、等域加权换排名三证并列）；(3) “响应指令"与"保持状态"的独立性（三模型交叉对照）。

仍属推测的机制：“双轨分数可以预测耦合表现”——论文自己反复声明这是 open question：Astra 31.3 + GPT-Image-2 21.7 的强强组合在耦合里是否成功，需要配对实验验证。组件可靠是共进化的必要条件假设（作者假设"两侧达到足够任务特定能力后互惠改进才可持续”），既未被证伪也远未被证实。

适用条件与失效条件：结论限定于所评的模型-harness 配置与记录的执行设定（harness 不匹配、预算不匹配、无显著性检验）；WM 评的是视觉观测模态（文本世界模型在范围外）；部分覆盖配置（Seedance 2.5）不可与全覆盖排名直接比较。若换 harness 或扩场景，排名与剖面都可能改变。

七、必要知识反推

假设一个没有背景的人要做这项工作，最少必须知道什么？

7.1 领域知识层

• MA 与 WM 的能力构成与失败模式：视觉接地、动作排序、状态一致性、动作控制各自的含义与典型错误——不理解就无法设计 15 类别与 4 类检查（请求效果/身份保持/共享一致/规则遵守）；
• 耦合交互的信息流：WM 输出如何成为 MA 输入、误差如何在闭环累积——不理解就无法论证"端到端不可归因"的动机；
• 四域任务的具体形态：物理/数字/社会/科学任务的输入输出与验证方式（从 Minecraft 到 SWE 修复到生态治理）——不理解就无法构建 1,088 项跨域题库。

7.2 方法论知识层

• 受控实验设计：控制变量、固定机制、对照设置（copy-last-frame/no-op/shuffled 的差别）——不理解就无法设计双轨；
• 基准构建流程：从行为轨迹种子到干预序列与案例规则、自动筛查 + 专家审查的分工——不理解就无法产出 400 案例；
• 聚合方法学：case-count 加权 vs 等域加权、二值分与梯度分混合的显式公式、部分覆盖的诚实标注——不理解就无法避免排名误导；
• 既有基准版图：GAIA 到 ALE、VBench 到 WorldExam 的覆盖矩阵——不理解就无法定位"组件隔离"的空白。

7.3 工程知识层

• 多模型 API/harness 接入：10 个 agent 配置与 16 个生成模型配置的调用、预算与记录（含 Claude Code 工具循环、原生 Codex 配置的差异处理）；
• 验证器构造：任务专属 verifier 的严格/梯度打分规则实现、证据记录与无效 run 分离；
• 回溯审计工程：轨迹记录、检查表生成、试点诊断曲线的计算（固定全程分母的累积扣分法）。

7.4 知识融合的关键节点

• 节点一：实验设计学 × agent 评测——把"控制变量"从物理实验课搬进多模态评测，诞生"固定对侧"的双轨范式，这是全文最核心的融合；
• 节点二：规格语言 × 两条轨道——用同一套五要素规范（初始条件/允许干预/必需变化/保护状态/证据规则）统一表达两轨任务，让"同一不变量两侧可测"成为可能；
• 节点三：聚合透明性 × 排名传播——在排行榜文化里逆行：显式公式、等域对照、部分覆盖隔离、显著性免责，把"分数怎么来的"变成论文的一部分。

八、论文中可以提取的通用性灵感

灵感一：系统失败时先拆组件、控制对侧

• 核心思想：耦合系统的端到端指标只有一比特诊断信息；把系统拆成组件、各自固定对方重测，责任才能定位。
• 论文证据：耦合 0% 成功率无法归因 → 双轨测出 agent 执行塌陷与 WM 数字短板两个不同问题。
• 推广场景：1) 微服务故障排查（逐服务 mock 依赖）；2) 人机协作团队绩效评估（分别测人与流程）；3) MLOps 流水线降级定位；4) 供应链断点诊断。

灵感二：高聚合分可能掩盖执行短板，要看剖面

• 核心思想：单一总分会把"想得出"与"做得成"混成一团；类别/场景剖面的方差比均值更有信息量。
• 论文证据：Astra Index 31.3 第一但桌面 5.6；GPT-Image-2 总分第一但具身被 MiniMax 反超。
• 推广场景：1) 学生考试的分项诊断报告；2) 模型能力卡片（capability card）；3) 员工绩效的维度化评估；4) 医疗检查的组合面板解读。

灵感三：排名要对权重做敏感性检验

• 核心思想：任何加权聚合的排名都依赖权重选择，报告排名时必须同时报告换权重后的稳定性。
• 论文证据：等域加权使 DeepSeek 六→二、Kimi 五→四，榜首不变但后续座次重排。
• 推广场景：1) 大学排名方法论争议；2) 基金组合评分；3) A/B 测试的多指标权衡；4) 政策方案的成本收益聚合。

灵感四：固定干预是测"系统响应性"的干净方法

• 核心思想：想知道一个系统如何响应输入，就把输入序列钉死、只让被测系统变化——这同时把"响应请求"与"保持其余不变"拆成两个独立检查维度。
• 论文证据：固定 a*_{1:T} 后发现 Qwen 恢复视图却多杯子、MiniMax 保杯数却加托盘。
• 推广场景：1) API 合同测试（固定请求查响应）；2) 药物剂量-反应曲线；3) 环境胁迫实验；4) UI 回归测试的快照对比。

灵感五：诚实标注证据边界本身是贡献

• 核心思想：把 harness 不匹配、无显著性检验、规格缺陷（如缺失 task id）如实写进论文，比隐藏它们让结论更可用。
• 论文证据：附录 C 的局限清单 + Seed 0/30 归因到工具循环而非模型能力 + 六个 ToolChoice 检查点的提示词缺陷披露。
• 推广场景：1) 临床试验的局限性章节规范；2) 数据集 datasheet 实践；3) 审计报告的范围声明；4) 模型卡的已知缺陷栏。

灵感六：共进化前先验证组件可靠（必要条件思维）

• 核心思想：两个组件互相增强的闭环愿景，前提是每个组件在受控条件下先达到任务特定能力门槛；门槛未过就谈协同是空中楼阁。
• 论文证据：论文明确"过渡点与所需能力水平均未确立”，并把配对交互实验列为未来工作。
• 推广场景：1) 双边市场冷启动（先做单边密度）；2) 编译器自举（先用稳定编译器编译新编译器）；3) 教学相长课程设计；4) 机器人-仿真器共同训练策略。

附录：三条最值得记住的数字

1. 0.0%：GPT-5.6 Sol × Seedance 2.5 耦合 150 案例的任务成功率——全部动机浓缩在一个数字里，且端到端指标给不出任何归因。
2. 31.3 vs 5.6：Astra 的 Agent Index 榜首分 vs 其桌面应用交互类别分——“高聚合分掩盖执行短板"的最直观切片。
3. Web ≤ 16.5 / Game ≤ 13.3：全部 16 个 WM 配置在数字场景的分数上限——无论物理世界多强，UI 状态演化是所有世界模型的共同盲区。