Mô hình AI yếu ở Overcooked: cao nhất chỉ hoàn thành 26,2% đơn hàng

Tóm tắt nhanh

• Nhóm nghiên cứu biến game Overcooked thành môi trường thử nghiệm AI gọi là DuoCook, nơi một mô hình điều khiển hai đầu bếp và phải hiểu hình ảnh, lập kế hoạch, phối hợp nhiều bước.
• Bốn vision-language model được thử nghiệm; mô hình mạnh nhất, GPT-6-Astra, hoàn thành trung bình 26,2% đơn hàng, ba mô hình còn lại đạt 8,8–11,2%.
• Bản đồ có chướng ngại động và thiết bị chia sẻ, cùng khu vực cần chuyền nguyên liệu giữa các phần, là những thử thách đặc biệt khó khăn.
• Thêm bộ nhớ không giúp ổn định; khi thử nghiệm sổ ghi chung để ghi quan sát, Claude cải thiện điểm, còn GPT và Gemini kém đi và chi phí API tăng.
• Các nhà nghiên cứu cung cấp hỗ trợ như lưới vị trí, chú giải thiết bị bếp, thông tin trạng thái có cấu trúc và danh sách hành động nhưng phối hợp vẫn khó khăn.
• Kết quả có ý nghĩa với ứng dụng thực tế vì những khó khăn trong phân chia nhiệm vụ, quản lý tài nguyên và theo dõi mục tiêu trung gian cũng xuất hiện ngoài game.
• Nghiên cứu là preprint và có thể chưa qua đánh giá ngang hàng, vì vậy kết luận cần được cân nhắc; toàn bộ bài nghiên cứu được công bố kèm liên kết.

Tóm tắt tự động bằng AI từ bài gốc, có thể có sai sót. Hãy kiểm chứng ở bài gốc.