DualExam 提出多模态智能体与世界模型受控评测框架

研究团队发布 DualExam，将多模态智能体与世界模型放进受控评测流程，分别检查行动选择与环境响应。在 GPT-5.6 Sol 与 Seedance 2.5 直接交互的十种场景、150 个案例试验中，严格任务成功率为 0%，世界状态一致性为 26.6%，智能体纠正响应为 9.2%。