CogArena：在交互式行为实验中评测多模态 AI 智能体

研究者推出 CogArena 评测基准，包含来自社会与行为科学的 10 个实验范式，让 AI 智能体通过标准网页浏览器与人类相同的视觉刺激及界面完成实验。对 4 个多模态模型（每个任务运行 10 次）的三级评估显示，许多测试未能完成，且完成任务与复现人类行为特征存在明显差距。项目已公开任务、评分代码和评测排行榜。