DrawingBench: Evaluating Spatial Reasoning and UI Interaction Capabilities of Large Language Mode...

发布时间:2026/8/16 21:35:15

DrawingBench: Evaluating Spatial Reasoning and UI Interaction Capabilities of Large Language Mode...
一、文章主要内容总结本文提出了DrawingBench——一个用于评估智能体大语言模型(agentic LLMs)空间推理能力和UI交互能力的可验证基准框架。该框架通过要求模型生成基于鼠标操作的低级别GUI动作序列来完成绘图任务,实现对模型可信度的透明化评估,弥补了现有基准在空间交互任务中缺乏动作序列生成、细粒度UI控制和多轮反馈学习测试的不足。核心构成数据集设计:包含250个多样化绘图提示,覆盖20个类别和4个难度等级(简单、中等、困难、极难),提示遵循清晰性、多样性、现实性和可测量性原则。绘图环境:提供1000×700像素画布,支持6种绘图工具、8种颜色和3种线条尺寸,模型需输出moveTo、click等4类鼠标动作序列。评估体系:基于8项客观标准(工具使用、颜色匹配、绘制段数、画布覆盖率等)和4类错误类型(语法错误、坐标错误等)进行确定性评分,支持多轮反馈机制(两回合交互,基于结构化反馈优化输出)。实验验证:对4个主流LLM(Claude-4 Sonnet、GPT-4.1、GPT-4.1-mini、Gemini-2.5 Flash)进行1000次测试,最终模型实现92.8%的完美得分率,结构化反馈平均提升3.2%性能(复杂场景最高提升32.8%)。关键发现

相关新闻

从Ventoy启动盘制作到DiskGenius实战:Windows系统引导修复全攻略

从Ventoy启动盘制作到DiskGenius实战:Windows系统引导修复全攻略

2026/8/16 21:35:15

1. 项目概述:从PE制作到引导修复的完整闭环如果你曾经因为Windows系统崩溃、引导丢失而手足无措,看着屏幕上冰冷的“No bootable device”或“Boot Manager”错误提示感到绝望,那么这篇文章就是为你准备的。我将带你走完从零制作一个纯净、强…

从PE制作到Windows引导修复:完整自救指南与实战解析

从PE制作到Windows引导修复:完整自救指南与实战解析

2026/8/16 21:35:15

1. 项目概述:从PE制作到恢复Windows引导的完整闭环 如果你曾经因为Windows系统崩溃、引导记录损坏而对着黑屏或蓝屏束手无策,那么掌握“从PE制作到恢复Windows引导”这套组合拳,无疑是给你的电脑操作能力加装了一个“终极保险”。这不仅仅是一…

docker 安装运行MQTT

docker 安装运行MQTT

2026/8/16 21:25:15

一、启动命令 一般启动,采用默认密码docker run -d --name mqttx -p 18083:18083 -p 1883:1883 emqx/emqx:latest启动时指定后台的用户密码:docker run -d \-e EMQX_DASHBOARD__DEFAULT_PASSWORD"Abc123456" \-p 18083:18083 \-p 1883:1883 \e…

Linux性能优化工具系列详解(1)

Linux性能优化工具系列详解(1)

2026/8/16 22:35:18

本系列内容参考:极客时间 —— 倪朋飞 《Linux性能优化实战》特此致谢!序言Linux系统性能优化,是基于Linux操作系统软硬件全栈,通过监控定位瓶颈、调整内核参数、优化调度/存储/网络、调整应用架构、合理分配硬件资源等手段&#…

Spring AI Alibaba 入门开发1-环境搭建、ollama部署、Chat和ChatModel、流式输出

Spring AI Alibaba 入门开发1-环境搭建、ollama部署、Chat和ChatModel、流式输出

2026/8/16 22:35:18

目录 一、准备工作 二、HelloWorld 2.1 项目结构 2.2 创建父工程 2.3 创建子模块——ssa-01-HelloWorld 三、微服务调用本地大模型-本章可跳过 3.1 准备工作 系统与硬件要求 本地部署大模型配置推荐列表 3.2 开发调用本地大模型 四、ChatModel和ChatClient 4.1 Cha…

Excalidraw本地化部署实战:从Docker到生产环境的私有白板搭建

Excalidraw本地化部署实战:从Docker到生产环境的私有白板搭建

2026/8/16 22:35:18

1. 从云端到本地:为什么我们需要一个“离线版”白板 最近在和一些做产品设计、技术架构的朋友聊天时,发现一个挺有意思的现象:大家手头都有一堆好用的在线协作工具,但一遇到需要深度思考、梳理复杂逻辑,或者涉及一些内…

CTF PHP代码审计实战:从文件包含到反序列化漏洞利用

CTF PHP代码审计实战:从文件包含到反序列化漏洞利用

2026/8/16 22:35:18

1. 题目初探与核心思路解析拿到这道题,第一眼看到标题“[BUUCTF][BJDCTF2020]ZJCTF,不过如此”,心里大概就有数了。这明显是一道CTF(Capture The Flag)的Web题目,而且从命名风格来看,属于BJDCTF…

视觉特征-自监督-对比学习:CLIP

视觉特征-自监督-对比学习:CLIP

2026/8/16 22:35:18

训练范式 经典论文 / 模型 1 经典论文 / 模型 2 核心特点 监督学习(Supervised Learning) AlexNet — ImageNet Classification with Deep Convolutional Neural Networks, NeurIPS 2012 ResNet — Deep Residual Learning for Image Recognition, CVPR 2016 使用人工类别标签…

纳米AI手机版怎么直接生成word?答案藏在这款“全网最听劝的AI批量导出工具”里

纳米AI手机版怎么直接生成word?答案藏在这款“全网最听劝的AI批量导出工具”里

2026/8/16 22:25:18

纳米AI手机版怎么直接生成word?答案藏在这款“全网最听劝的AI批量导出工具”里 “纳米AI手机版怎么直接生成word?”——这个问题在技术社区和办公群里被反复追问。纳米AI手机版确实能生成Word、PPT甚至视频,但当你想把一段包含LaTeX公式、嵌套…

【文章复现】非线性值迭代自适应动态规划(ADP):离散时间非线性系统的策略迭代自适应动态规划算法研究附Matlab代码

【文章复现】非线性值迭代自适应动态规划(ADP):离散时间非线性系统的策略迭代自适应动态规划算法研究附Matlab代码

2026/8/16 0:04:13

✅作者简介:热爱科研的Matlab仿真开发者,擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。🍎 往期回顾关注个人主页:Matlab科研工作室👇 关注我领取海量matlab电子书和…

【双层规划,节点出清价,绿证交易,CVaR方法】两级电力市场环境下计及风险的省间交易商最优购电模型附Matlab代码

【双层规划,节点出清价,绿证交易,CVaR方法】两级电力市场环境下计及风险的省间交易商最优购电模型附Matlab代码

2026/8/16 0:04:13

✅作者简介:热爱科研的Matlab仿真开发者,擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。🍎 往期回顾关注个人主页:Matlab科研工作室👇 关注我领取海量matlab电子书和…

隐式mpc+自适应mpc+时变mpc,线性时变模型预测控制附Simulink仿真

隐式mpc+自适应mpc+时变mpc,线性时变模型预测控制附Simulink仿真

2026/8/16 0:04:13

✅作者简介:热爱科研的Matlab仿真开发者,擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。🍎 往期回顾关注个人主页:Matlab科研工作室👇 关注我领取海量matlab电子书和…

【文章复现】非线性值迭代自适应动态规划(ADP):离散时间非线性系统的策略迭代自适应动态规划算法研究附Matlab代码

【文章复现】非线性值迭代自适应动态规划(ADP):离散时间非线性系统的策略迭代自适应动态规划算法研究附Matlab代码

2026/8/16 0:04:13

✅作者简介:热爱科研的Matlab仿真开发者,擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。🍎 往期回顾关注个人主页:Matlab科研工作室👇 关注我领取海量matlab电子书和…

【双层规划,节点出清价,绿证交易,CVaR方法】两级电力市场环境下计及风险的省间交易商最优购电模型附Matlab代码

【双层规划,节点出清价,绿证交易,CVaR方法】两级电力市场环境下计及风险的省间交易商最优购电模型附Matlab代码

2026/8/16 0:04:13

✅作者简介:热爱科研的Matlab仿真开发者,擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。🍎 往期回顾关注个人主页:Matlab科研工作室👇 关注我领取海量matlab电子书和…

隐式mpc+自适应mpc+时变mpc,线性时变模型预测控制附Simulink仿真

隐式mpc+自适应mpc+时变mpc,线性时变模型预测控制附Simulink仿真

2026/8/16 0:04:13

✅作者简介:热爱科研的Matlab仿真开发者,擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。🍎 往期回顾关注个人主页:Matlab科研工作室👇 关注我领取海量matlab电子书和…

摆脱论文困扰!盘点2026年全网爆红的的AI论文写作工具

摆脱论文困扰!盘点2026年全网爆红的的AI论文写作工具

2026/8/15 1:04:46

一天写完毕业论文在2026年已不再是天方夜谭。2026年最炸裂、实测能大幅提速的AI论文写作工具,覆盖选题构思、文献整理、内容生成、格式排版等核心场景,真正帮你高效搞定论文难题。 一、全流程王者:一站式搞定论文全链路(一天定稿首…

导师推荐!2026最新AI论文工具测评与实用推荐

导师推荐!2026最新AI论文工具测评与实用推荐

2026/8/15 10:10:27

2026年真正好用的AI论文工具,核心看生成的论文质量、低AI味、格式正确、学术适配四大指标。综合实测,千笔AI、ThouPen、豆包、DeepSeek、Grammarly 是当前最值得推荐的梯队,覆盖从免费到付费、从中文到英文、从文科到理工的全场景需求。 一、…

告别游戏崩溃:XCOM 2模组管理器的智能革命

告别游戏崩溃:XCOM 2模组管理器的智能革命

2026/8/14 19:35:14

告别游戏崩溃:XCOM 2模组管理器的智能革命 【免费下载链接】xcom2-launcher The Alternative Mod Launcher (AML) is a replacement for the default game launchers from XCOM 2 and XCOM Chimera Squad. 项目地址: https://gitcode.com/gh_mirrors/xc/xcom2-lau…