**交互式视觉健身：首个闭环评估框架揭示视觉模型在真实任务中的严重缺陷**

_Interactive Visual Gym: Evaluating Visual Interaction Models with Simulated Users in Interactive Worlds_

> 针对现有基准无法评估视觉交互模型在闭环环境中的表现，研究团队提出了“交互式视觉健身”（Interactive Visual Gym）框架。该框架联合模拟可执行任务环境与人类用户，包含烹饪、家务及移动端三大领域的模拟器，并引入人格化用户模拟机制。基于此框架构建的 IVG-Bench 基准测试显示，即便是最先进的 Gemini 4 Argon 模型，其任务完成率也仅为 53.4%，且在事实依据与行动指导上存在显著不足。此外，研究通过人类实验验证了评估指标的有效性，并证实了该框架在闭环训练中能有效提升 Qwen3.5-4B 模型的任务成功率与交互质量。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-11-12 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2611.08286)