ALFWorld
具身智能体研究领域的常用评估基准，任务设定为在模拟家居环境中完成一系列物体操作任务，用于测试智能体的规划与执行能力
时间轴 (近 90 天)
ReAct论文在HotpotQA多跳问答和ALFWorld、WebShop等交互式决策任务上验证了该模式的有效性。
论文在GoBrowse、ALFWorld、AppWorld和τ-bench四个智能体基准上评估了GEPA-Curator。
J-Comm 在 MATH500 上达到 94.80%，在 GPQA-Diamond 上达到 54.55%，在 AIME2024+2025 上达到 73.33%，在 ALFWorld 上达到 62.93% 成功率。
ALFWorld 是一个文本化的具身决策基准，智能体需在模拟家居环境中根据自然语言指令完成多步操作，成功率为任务完成比例。
行为地图方法目前主要在ALFWorld等环境中验证，向更开放环境的迁移仍需进一步研究。
在ALFWorld中，行为相似性在控制成功率与模型规模之后依然存在，甚至跨越不同模型家族。
基于ALFWorld的坐标能够支持性能预测，并识别出行为相似的模型。
SAPD在ALFWorld、WebShop和基于搜索的问答任务上进行了实验。
该复现研究覆盖ALFWorld、ScienceWorld、Search-QA和WebShop四个智能体任务环境，横跨三种模型规模，对比了10种代表性自蒸馏方法与GRPO基线。
CoPE 在五个基准上进行了验证：ALFWorld、ScienceWorld、WebShop、τ²-bench 和 AppWorld。
还有 14 条时间轴事件
全部知识事实 (20)
ALFWorld是一个将文本冒险游戏与具身AI任务结合的基准测试环境，由卡内基梅隆大学等机构于2021年提出，基于ALFRED数据集
70%待验证ReAct论文在HotpotQA多跳问答和ALFWorld、WebShop等交互式决策任务上验证了该模式的有效性。
50%待验证论文在GoBrowse、ALFWorld、AppWorld和τ-bench四个智能体基准上评估了GEPA-Curator。
50%待验证J-Comm 在 MATH500 上达到 94.80%，在 GPQA-Diamond 上达到 54.55%，在 AIME2024+2025 上达到 73.33%，在 ALFWorld 上达到 62.93% 成功率。
50%待验证ALFWorld 是一个文本化的具身决策基准，智能体需在模拟家居环境中根据自然语言指令完成多步操作，成功率为任务完成比例。
50%待验证行为地图方法目前主要在ALFWorld等环境中验证，向更开放环境的迁移仍需进一步研究。
50%待验证在ALFWorld中，行为相似性在控制成功率与模型规模之后依然存在，甚至跨越不同模型家族。
50%待验证基于ALFWorld的坐标能够支持性能预测，并识别出行为相似的模型。
50%待验证SAPD在ALFWorld、WebShop和基于搜索的问答任务上进行了实验。
50%待验证该复现研究覆盖ALFWorld、ScienceWorld、Search-QA和WebShop四个智能体任务环境，横跨三种模型规模，对比了10种代表性自蒸馏方法与GRPO基线。
50%待验证CoPE 在五个基准上进行了验证：ALFWorld、ScienceWorld、WebShop、τ²-bench 和 AppWorld。
50%待验证SkillScaffold在ALFWorld、WebShop、ScienceWorld和τ²-Bench四个基准上进行了评估，并在短程和长程任务上都超越了强智能体RL基线和技能驱动RL基线。
50%待验证在ALFWorld的ID/OOD平均成功率上，BranchOPD比Vanilla OPD提升13.8个百分点
50%待验证相比七条独立轨迹的方案，共享前缀复用在ALFWorld上减少约19%的学生生成token成本
50%待验证经过使用ALFWorld和TextCraft基准的针对性训练后，两类规划器在计划生成成功率上表现相近
50%待验证ALFWorld将文本指令与具身导航结合，智能体需在虚拟家庭场景中执行日常任务
50%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ALFWorld 是一个基于文本的家庭场景交互基准，用于评估语言模型的规划与工具使用能力
50%待验证在 ALFWorld 上，CTWM 在相同配对比较下获得了一致的 token 节省
50%待验证研究团队在 134 个 ALFWorld 任务上验证了 MATE 的效果
50%