基准
ScienceWorld
长程具身科学任务基准，要求智能体在模拟环境中完成复杂的科学实验任务，用于评估智能体的长程规划与具身推理能力
时间轴 (近 90 天)
10月7日
研究团队在ScienceWorld和ALFWorld两个交互式环境基准上验证了SAGA，任务完成表现取得提升
待验证50%
10月7日
ScienceWorld基于TextWorld引擎构建，要求智能体在文本模拟实验室中完成物理、化学等科学推理任务
待验证50%
9月24日
作者在FrozenLake、HotpotQA、ScienceWorld、DeepResearch四个智能体基准上评估了RLDS
待验证50%
9月24日
RLDS在ScienceWorld上提升+11.5分（95%置信区间[+9.8, +13.3]），在FrozenLake上提升+9.8分（[+7.0, +12.8]）
待验证50%
9月24日
RLDS在ScienceWorld上每步墙钟时间比标量GRPO减少10.9%，原因是长轨迹摊薄了反思与评分的固定开销
待验证50%
全部知识事实 (5)
待验证
研究团队在ScienceWorld和ALFWorld两个交互式环境基准上验证了SAGA，任务完成表现取得提升
50%待验证ScienceWorld基于TextWorld引擎构建，要求智能体在文本模拟实验室中完成物理、化学等科学推理任务
50%待验证作者在FrozenLake、HotpotQA、ScienceWorld、DeepResearch四个智能体基准上评估了RLDS
50%待验证RLDS在ScienceWorld上提升+11.5分（95%置信区间[+9.8, +13.3]），在FrozenLake上提升+9.8分（[+7.0, +12.8]）
50%待验证RLDS在ScienceWorld上每步墙钟时间比标量GRPO减少10.9%，原因是长轨迹摊薄了反思与评分的固定开销
50%