RecreationWorld：让Agent重做一个正在运行的应用

RecreationWorld: Scalable and Verifiable Environments for Hybrid Computer-Use Agents

只给Agent一个运行中的参考应用，要求它在GUI探索、写代码和运行验证之间往返，再用隐藏程序与视觉测试检查结果。250项任务中，Astra总分58.1%，但全程序测试通过覆盖仅2.8%；论文、环境、代码和数据集已开放，本期补看。

首次公开：2026-09-18 · 收录：2026-09-22

作者

Bai, Shuai；Deng, Jiayong；Fu, Yikun；Gao, Chang；Hu, Xuhao；Huang, Mianqiu；Jiang, Yizhen；Jing, Yuheng；Kong, Dehui；Li, Keliang；Li, Ning；Li, Wanli；Liu, Dayiheng；Lu, Dunjie；Luo, Changwei；Shen, Que；Wang, Zheyuan；Wang, Zijian；Wu, Jie；Wu, Gao；Xie, Zhihui；Xie, Rui；Xu, Haiyang；Yang, An；Yuan, Jiakang；Zhang, Yanming；Zhang, Jiajun；Zhang, Xi；Zhang, Zhenru；Zhen, Zhuo；Zhu, Mingkang；Zhou, Bowen

论文原文 PDF 导入 Zotero（RIS）

阅读笔记

RecreationWorld把GUI探索、代码实现和运行验证放进一个长任务：Agent只能操作正在运行的参考应用，再从零重做出可执行版本。RecreationBench包含250项任务，覆盖Ubuntu、macOS、Windows、Android和Web，并用固定的程序断言与视觉断言验证行为。

最有信息量的结果不是总分，而是完成度差距：GPT-6 Astra总体得58.1%，但只有2.8%的任务通过全部程序测试。模型更容易复刻静态结构，对交互状态、计算结果和跨步骤行为明显更弱。

论文9月18日提交、9月21日进入HF Daily Papers，本期作为近期补看而非当天首发。训练迁移只在有限模型和基准上验证，各平台的隔离强度也不完全一致。重要度8.7/10。

原文：https://arxiv.org/abs/2609.22000
项目：https://recreation-bench.cc/
代码：https://github.com/QwenLM/RecreationWorld
本期资料页：https://www.asteronline.cn/juju-radar/2026-09-22/

AI辅助整理。

笔记记录收录当期的判断。阅读一手材料不等于独立复现；后续进展请以原始来源为准。