LLM智能体对其世界了解多少？Task2Quiz：一种研究环境理解的新范式

大型语言模型（LLM）智能体在复杂决策与工具使用任务中展现出卓越能力，但其在不同环境中的泛化能力仍缺乏深入评估。现有评估方法主要依赖衡量任务成功的轨迹指标，却忽视了智能体是否具备可迁移、具身化的环境模型。为此，本文提出Task-to-Quiz（T2Q）范式，通过确定性、自动化的问答机制将任务执行与环境状态理解解耦，并构建包含30个环境和1,967个具身问答对的T2QBench基准。实验表明，任务成功常不能反映真实环境理解水平，且现有记忆机制难以有效支持智能体构建具身环境模型。研究识别出主动探索与细粒度状态表示为主要瓶颈，为开发更具泛化能力的自主智能体奠定基础。