🎯 问题
游戏 agent 评测被三件事卡住：动作接口异构、推理时延与决策质量耦合、判分靠 OCR/VLM-as-judge 有噪声不可复现。
同一个屏幕点击在不同模型 API 里是不同的 tool call 形态，抽象层级也不同（有的输出原始键鼠、有的输出高层语义动作），导致跨模型不可比。实时游戏里暂停两秒角色已坠落，分数混入响应速度。现有基准（LMGame-Bench、BALROG、VideoGameBench、Orak 等）大多依赖启发式或 VLM 判分，结果难验证、难诊断。
GameWorld 的回应：(i) 统一控制空间——一切动作归一化为原子人机交互事件（mouse_move/mouse_down/mouse_up/key_down/key_up/scroll/wait）；(ii) 沙箱默认在推理期间冻结游戏，把时延从测量中剥离，另设 GameWorld-RT 变体单独测时延耦合；(iii) 判分完全来自序列化 gameAPI 状态（34 游戏共 233 个状态字段），progress = clip[(q_max−b)/(τ−b)] 确定性计算。与同期 GameVerse 共享双动作空间思路，但 GameVerse 仍用 VLM 量化进度，GameWorld 的差异化正是判分确定性。
🔧 方法
CUA 输出低层键鼠、Generalist 输出语义动作经确定性 Semantic Action Parsing 落到同一原子事件空间；每步强制恰好一个动作，同一运行时同一验证器。
CUA 接口：模型直接给 left_click(x,y)、press_key(key) 等，自己负责像素级 grounding，最接近人类玩法、对时延最敏感。Generalist 接口：逐游戏定义语义动作（move_forward()、action_jump() 等），确定性解析器映射为固定低层指令，消除解析侧随机性。两接口都执行 Action Atomicity：每步一个交互指令，禁止把多个语义决策打包成宏。18 个模型-接口对（10 Generalist + 8 CUA），各家用原生 function calling 接入。
Agent harness 四组件全模型统一：结构化 prompt（#Game Rules/#Role and Controls/#Task Instruction/#Output Format 四段固定模板）、rolling memory（近 N 轮 user_prompt→screenshot→reasoning→action 作为 Action History）、推理（允许模型自带 thinking，但注意 4.5.1 显示长推理时延在 RT 下有代价）、定制 function calling（各 provider 原生接口注册工具）。评分：SR∈{0,1} 按任务目标 τ 判定；Progress 归一化最佳进度，reset-on-fail 时清 episode 局部分数但保留 run 级最佳。人类对照同样限 100 个原子动作预算。
📊 结果
最好 agent Gemini-3-Flash（Generalist）SR 21.2 / PG 41.9；人类新手 55.3/64.1、熟手 77.1/82.6——最强模型不及新手一半。
Generalist 前三：Gemini-3-Flash-Preview 41.9、GPT-5.2 40.6、Claude-Sonnet-4.6 39.3（PG）。CUA 最好 Seed-1.8 39.8。SR 全体只有 12.4–21.2%，但 PG 30–42%：模型普遍能推进但不能完成。类型层面 Runner 进度最高，Simulation 全线低迷。10 次全基准重跑（Qwen3-VL 30B/235B × 双接口）PG 标准差 0.5–1.1、SR 0.7–1.4，聚合结论可复现；方差集中在 Hextris/Cubefield/Wordle 等控制敏感游戏。
五级能力课程：L1 基础控制与时机接地、L2 System-1 反应控制、L3 System-2 空间导航、L4 符号推理策略、L5 开放世界协调。双接口画像一致：L4/L2 强、L1/L5 塌——MLLM 会下棋但掐不准发球时机，长程协调是另一深谷。记忆轮数消融（235B）：Generalist 0→2 轮 PG 30.0→30.6 微升，CUA 30.3→28.7 下降且 7.2→12.8 s/step——低层动作历史无语义、越长越干扰，记忆是选择性收益不是通用增益。动作有效率：IAR 全体均值 0.8%（NTC 0.8 + OOS 0.0），语义解析层把格式失败从测量里剥离得很干净；GLM-4.6V 例外 8.3%。
⏱️ GameWorld-RT
RT 变体推理期间游戏照跑，时延成为任务一部分；只测了 Qwen3-VL 两个底座，作者明确警告 RT 与暂停分数不可直接比。
Table 8：235B CUA 6.2 s/step、SR 17.1 / PG 33.2；30B CUA 2.4 s/step、SR 15.6 / PG 33.0（Generalist 类似）。小模型快 2.6 倍没换来更高分——单纯更快的反应解不了这个基准。作者定位：暂停模式隔离决策质量，RT 模式贴近部署现实（推理速度、正确性、动作时机耦合），两者互补。
关键引用纪律：235B CUA 的 RT SR 17.1 高于同模型暂停模式 14.1，这不是'实时更容易'——RT 下同样 100 动作预算的有效游戏时长更长（推理时间也计入游戏时间），属于动作预算混淆，作者原文明确 'results on GameWorld-RT should not be compared directly with those on the default paused benchmark'。任何拿 GameWorld 数字论证'实时更差/更好'都不成立；它提供的是双端点而非阶梯，时延-成败关系本身没有被扫描。Flappy Bird 案例：连续帧几乎一样而正确动作在 wait/flap 间交替，视觉上微小的时机误差机制上是决定性的。
💡 对主线的启示
duplex-omni-actor 的主实验载体：暂停/RT 是额定速度协议的两个端点，我们的调速阶梯把二值对照拉成受控扫描。
三点直接用途：① 34 游戏×170 任务的游戏阶梯 + state-verifiable 判分是现成实验底座；② RT/暂停对照存在但作者自认不可比，'把动作预算混淆做成受控变量'正是我们的空白；③ 语义接口 0.8% 无效动作率证明确定性解析层能保证动作通道纯度，可直接用于流式模型接入契约。
局限即机会：RT 只有 2 个开源底座、没有 API 模型、没有时延-性能曲线；语义动作集逐游戏手工设计（作者自己列为 future work）；人类对照仅 2 人。对照阅读：VideoGameBench（商业游戏实时全线≈0%，难度地板压扁对照——GameWorld 游戏更轻量所以暂停可过关、对照有分辨率）、RealtimeGym（token 计价时钟 vs 这里的墙钟）、TickingCollabBench（Minecraft 多智能体的 Sync/Async 二值对照）。