SceneActBench：智能体能对所见的三维场景采取行动吗？

SceneActBench提出一个统一的智能体—环境评测框架，测试视觉语言模型在完整、多物体三维场景中的视觉条件行动能力。基准包含5类任务、210个源实例和520个任务案例，并以隐藏真值和任务专属几何指标评分。11种专有VLM配置的总体得分仅为38.6至50.2，且没有配置能在各任务上稳定表现。