推出VideoGameBench基准测试，评估视觉语言模型玩游戏的实时能力

VideoGame Bench

发布VideoGameBench的研究预览，这是一个基准测试，挑战视觉语言模型实时完成20种来自掌机和PC的不同流行视频游戏。

GPT-4o、Claude Sonnet 3.7、Gemini 2.5 Pro和Gemini 2.0 Flash在VideoGameBench-Lite上使用相同输入提示玩《毁灭战士II》（默认难度）！模型取得了不同程度的成功，但没有一个能通过第一关。