LLM-BabyBench

LLM-BabyBench 是由阿布扎比的穆罕默德·本·扎耶德人工智能大学（MBZUAI）于2025年5月17日发布的一个基准测试数据集，旨在评估大语言模型（LLMs）在基于环境的规划和推理任务上的表现。该基准测试建立在程序化生成的 BabyAI 网格世界的文本适配版本之上，通过评估 LLMs 在交互式环境约束下进行规划和推理的能力，来衡量其在基础智能的三个基本方面的能力：（1）预测动作对环境状态的影响（Predict 任务）；（2）生成低级动作序列以实现指定的子目标（Plan 任务）；（3）将高级任务分解为连贯的子目标序列（Decompose 任务）。