AgentVQA：面向智能体视觉理解的统一基准

研究者提出 AgentVQA，一个覆盖 Web Agents、机器人、第一视角视频、游戏和空间规划五个领域的离线基准，从23个源数据集人工挑选1000个真实智能体样例构建。在评测的22个模型中，最佳模型准确率仅为58.5%。跨领域分析显示，主要错误来自对当前和变化中视觉状态的定位与表征失败，包括定位相关 UI 元素、理解运动、跟踪状态变化和推断3D空间关系，而非任务理解或下游逻辑推理。