GameHorizon 套件：跨時長視角的遊戲資料與評估方案
為何重要
這項工作填補了遊戲場景中缺乏長程規劃能力標準化評估的空白，為具備 Agent 能力的模型提供了更嚴謹的測量工具。對產業而言，這種標準化有助於加速優秀邏輯推理模型的商業化驗證；對研究則提供了廣泛的可重現資料基礎。
現代電玩結合了視覺理解、指令分解與目標規劃，是測試 AI 行為能力的關鍵場景，但現有資料集常受限於遊戲型別或缺乏語言指令。為解決此問題，研究團隊推出了 GameHorizon 套件，提供衡量不同時間視角遊戲能力的統一資料與評估方案。
- 套件包含三個元件：GameHorizon-Annotator（具備自動註解管線）、含 5000 小時錄影與 21 款遊戲的 GameHorizon-Data（由 100 名專家玩家建立），以及進行可重現評估的 GameHorizon-Bench。
- 評估涵蓋了 47 個模型超過 100 萬次的呼叫，透過離線軌道的標準化問題與線上軌道的逐步測試，揭示不同模型間的能力差異並定位長羅輯鏈遊戲中的失敗步驟。