今日概览
- 前沿Agent成功率仍不到60%，VibeWorlding用2,616个3D资产和6,828条查询测试完整建造闭环，精确编辑成为主要瓶颈。
- 认知风险框架应先充当排查地图：它按认知范围梳理评测、权限与治理责任，但因果关系和量化指标仍待实证。
- 9种persona取代单一驾驶风格轴。PersonaDrive组合紧迫度与舒适度，使轨迹预测能够按场景控制行为分布。
重点关注
01 Agent 模糊一句话，为什么能难倒最强多模态Agent？
复杂用户意图最容易暴露3D Agent的短板：它不仅要理解「想要什么氛围」，还得把模糊描述拆成空间布局，持续调用资产检索、编辑和渲染工具，再根据视觉反馈修正一个真正可交互的世界。VibeWorlding因此关注的不是一次生成漂亮场景，而是把意图理解、工具使用、视觉判断和多轮纠错放进同一场压力测试。其评测集包含2,616个3D资产、323个人工标注世界和6,828条多模态查询；摘要披露，即使前沿模型的成功率也不到60%，主要瓶颈落在精确编辑，而非简单调用3D工具。这篇工作的价值更偏基础设施：用统一沙箱串起检索、编辑与渲染，再以兼顾物理可行性和意图完成度的验证器同时服务评测与强化学习。作者称训练后的开源模型能够追平乃至超过参评闭源模型，但具体比较是否公平、提升能否迁移到更复杂的交互逻辑，仍需看全文确认。对做多模态Agent的团队而言，3D开放世界真正有价值之处，是它能同时检验模型是否会规划、执行、观察和纠错，而不只是看起来「会用工具」。
原文：VibeWorlding: Can Multimodal Agents Construct 3D Open Worlds End-to-End?
02 安全对齐 别急着谈类人认知，先把Agent风险画成地图
这篇论文更值得关注的，不是「Agent已经拥有类人认知」这一强结论，而是它尝试为风险排查建立一套共同语言。作者按认知范围将能力分为物理认知、社会认知和自我指涉认知，并分别讨论它们对人类能动性、自主性和控制能力的潜在影响。对开发团队而言，这张地图可以用来重新划分评测重点、工具权限和治理责任：能执行任务、能影响他人、能理解自身角色的系统，显然不该沿用同一套安全检查。但从摘要看，这仍是概念性分类框架，风险之间是否存在稳定因果关系、各层级如何量化，都需要后续实证和可操作指标支撑。现阶段最实际的用法，是把它当作审计清单的骨架，而不是已经验证过的安全理论。
原文：Understanding Cognition-Induced Risks in Agentic AI Systems
03 机器人 自动驾驶不该只有「激进」和「保守」
同样时间紧迫度的驾驶策略，也可能需要不同的驾驶动态——一条激进到保守的轴很难表达这种差别。PersonaDrive把时间紧迫度与乘坐舒适度拆成两个可组合维度，各设3档，形成9种带自然语言描述的行为偏好，让轨迹预测从拟合「平均驾驶员」转向按场景控制行为分布。它还用分层约束维持各档位之间的物理顺序，并防止不同偏好最终收敛成相似轨迹。这样的控制接口对仿真压力测试、个性化驾驶和安全验证都有实际价值：团队可以系统地生成不同偏好组合，而不必依赖含糊的风格标签。不过，persona更适合被理解为可调的行为条件，而非驾驶者稳定不变的人格；其泛化能力仍需结合全文和更多真实场景判断。
原文：PersonaDrive: Controllable Trajectory Prediction with Multi-Dimensional Driving Personas
也值得关注
今日观察
VibeWorlding、PersonaDrive与认知风险框架共同暴露出一个评测盲区：系统行为越来越依赖任务环境、用户意图和行为偏好，单个平均分或单轴标签已经不足以描述能力与风险。相同系统可能在简单指令下表现稳定，却在需要持续修正的3D任务中失效；相同驾驶模型也会因紧迫度与舒适度的组合而产生不同轨迹，而认知范围变化还会重新划定风险边界。
工程团队可以把评测单元改成「条件—行为配置—结果」三元组，分别记录Agent面对复杂指令时的修正轨迹、自动驾驶persona的多维组合，以及不同认知范围对应的失效边界。这样既能定位能力来自哪里，也能明确安全结论在哪些条件下失效。下一轮评测可先挑选一个现有基准，将总分拆成条件覆盖矩阵，并为每个失败案例补齐行为配置与触发条件。