评估多模态模型玩游戏，Gemini仅完成0.48%

GPT、Claude 和 Gemini 能像人类一样玩《塞尔达》《文明》《毁灭战士 II》等视频游戏吗？VideoGameBench 仅基于原始屏幕输入评估 VLMs 在 Game Boy 和 MS-DOS 游戏上的表现，就像人类玩家一样。最佳模型 Gemini 仅完成了基准测试的 0.48%！