Evaluating Cognitive Age Alignment in Interactive AI Agents

📄 arXiv: 2605.17894v1 📥 PDF

作者: Yifan Shen, Jiawen Zhang, Jian Xu, Junho Kim, Ismini Lourentzou, Xu Cao, Meihuan Huang

分类: cs.AI

发布日期: 2026-05-18

💡 一句话要点

提出ChildAgentEval，评估交互式AI智能体认知年龄对齐程度

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 认知年龄对齐 交互式AI智能体 多模态大语言模型 基准测试 儿童认知发展

📋 核心要点

  1. 现有AI智能体在解决儿童可以轻松完成的基础任务时表现不佳，表明人工和人类智能之间存在显著差距。
  2. 论文提出ChildAgentEval基准，旨在通过模拟儿童认知发展阶段，系统评估AI智能体的认知年龄对齐程度。
  3. ChildAgentEval通过对比AI智能体与不同年龄段儿童的推理能力，揭示了AI在模拟特定年龄认知行为方面的局限性。

📝 摘要（中文）

尽管基于多模态大语言模型(MLLM)的智能AI在语言和视觉推理方面展现了卓越潜力，但人工和人类智能之间仍存在巨大差距。即使集成了强大的工具和先进的MLLM，最先进的AI智能体也常常无法完成儿童可以轻松解决的基础任务。受韦氏儿童智力量表(WISC)的启发，我们推出了ChildAgentEval，这是第一个经过心理测量验证的交互式基准，用于评估基于MLLM的智能体中的认知年龄对齐程度。ChildAgentEval系统地比较了各种基于MLLM的交互式智能体的推理性能与特定年龄段的人类发展阶段，揭示了当前智能AI系统在何处能够以及不能够模拟特定年龄段的认知行为。

🔬 方法详解

问题定义：论文旨在解决当前AI智能体在认知能力上与人类，特别是儿童，存在偏差的问题。现有方法缺乏系统性的评估框架，无法准确衡量AI智能体在模拟不同年龄段儿童认知能力方面的表现。这阻碍了AI智能体在需要与儿童交互的场景中的应用，例如教育和娱乐等。

核心思路：论文的核心思路是借鉴心理学中用于评估儿童认知能力的韦氏儿童智力量表(WISC)，构建一个专门用于评估AI智能体认知年龄对齐程度的基准测试。通过设计一系列与不同年龄段儿童认知发展阶段相对应的交互式任务，来考察AI智能体在解决这些任务时的表现。

技术框架：ChildAgentEval基准测试包含一系列交互式任务，这些任务根据儿童认知发展阶段进行划分。AI智能体需要与环境进行交互，并根据任务要求进行推理和决策。基准测试会记录AI智能体的行为和输出，并将其与相应年龄段儿童的表现进行比较。整体流程包括：任务选择、智能体交互、结果评估三个阶段。

关键创新：该论文的关键创新在于提出了一个基于心理测量学的、专门用于评估AI智能体认知年龄对齐程度的交互式基准测试。与以往的基准测试不同，ChildAgentEval更加关注AI智能体在模拟人类认知发展方面的能力，并提供了一个系统性的评估框架。

关键设计：ChildAgentEval的任务设计参考了WISC的题目类型，并进行了适当的调整，以适应AI智能体的特点。任务涵盖了语言理解、视觉推理、逻辑思维等多个方面。评估指标包括任务完成率、解决时间、交互次数等。具体参数设置和网络结构取决于被评估的AI智能体。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文提出了ChildAgentEval基准，并使用该基准评估了多个MLLM-based的交互式智能体。实验结果表明，现有AI智能体在模拟儿童认知能力方面仍存在较大差距，尤其是在需要复杂推理和交互的任务中。该研究揭示了当前AI技术在认知能力发展方面的局限性，为未来的研究方向提供了重要参考。

🎯 应用场景

该研究成果可应用于开发更智能、更人性化的AI助手，尤其是在儿童教育、娱乐和医疗等领域。通过评估和改进AI智能体的认知年龄对齐程度，可以使其更好地理解儿童的需求，并提供更有效的帮助和支持。此外，该基准测试还可以促进AI认知能力研究的发展，推动AI技术在更广泛领域的应用。

📄 摘要（原文）

While agentic AI and its core multimodal large language models (MLLMs) have demonstrated remarkable promise in language and visual reasoning across domains ranging from daily life to advanced scientific research, a profound gap remains between artificial and human intelligence. Despite the integration of powerful tools and advanced MLLMs, state-of-the-art AI agents frequently fail at foundational, seemingly simple tasks that a child can resolve with ease. Inspired by the Wechsler Intelligence Scale for Children (WISC), we introduce ChildAgentEval, the first psychometrically grounded interactive benchmark for evaluating cognitive age alignment in MLLM-based agents. ChildAgentEval systematically compares the reasoning performance of various MLLM-based interactive agents against age-specific human developmental stages, exposing where current agentic AI systems can and cannot simulate age-specific cognitive behavior.