Ego2World：将第一人称烹饪视频编译为信念状态规划的可执行世界

Ego2World 提出一种将标注的第一人称烹饪视频转化为部分可观测可执行环境的评测基准，将真实世界状态与智能体信念分开维护。在 105 个任务上评测 6 种规划器显示，已执行操作常未能达成目标；Qwen-Plus 对照实验表明，持久信念使动作有效性提升 4.15 个百分点，视觉查询减少 90.27%，但 token 消耗更高且未见完成率提升。