CogArena：在交互式行为实验中评测多模态智能体

CogArena 基准涵盖社会与行为科学十个实验范式，多模态智能体需通过标准网页浏览器、使用与在线被试相同的视觉刺激与响应界面完成任务，并按是否完成、准确度和行为特征三级评分。四个多模态模型每项任务各跑十次，结果显示完成实验与复现行为特征并不等同：不少会话未完成，完成的会话对部分特征稳定复现、对另一些则完全不能。