喺模擬城市入面叫 Embodied Agents 認路、數物件、跟地圖行，難度一向唔低；換成秋葉原的 360 度真實街景之後，問題就由「會唔會做任務」變成「可唔可以喺複雜環境保持判斷」。360CityArena 屬於 benchmark，核心用途係評估 multimodal large language models 喺 embodied navigation 同 visual reasoning 上，到底有幾接近真實城市探索需求。
呢個項目最有意思的地方，在於它唔係靠乾淨的 3D 合成地圖，而係用 602 段 360° 影片重建東京秋葉原 85 條街道，再放入 Unity 環境，用 pose graph 方式讓 agent 沿既定節點移動。換句話說，代理唔可以自由行去任何 3D 座標，也唔涉及實體互動；它測的是在受限移動下，模型能否理解街景、地圖、語言提示同空間關係。
公開版本有 175 個人工設計任務，涵蓋 localization、landmark search、counting、map navigation、language guided navigation 同 relational spatial reasoning。部署方式亦算清楚：Unity 6.5 負責環境，Python runner 接模型 API、送出相機與地圖觀察，再把每次執行結果寫入 outputs/<run_id>/，因此它比較適合研究團隊或評測項目直接重跑同對照。
- 用 360° 真實街景而唔係純合成場景，城市細節更接近真實導航
- 任務覆蓋找地標、看圖尋路、數物件、按文字指示前進等七類能力
- Unity 環境配合 Python runner，方便接駁不同 MLLM API 做可重現測試
- agent 只可沿 pose graph 移動，限制更明確，同時保留城市探索的推理壓力
最值得留意的是結果並唔樂觀。官方比較指出，Gemini 2.5 Flash 目前在整體任務只有 17.1%，人類則有 77.3%，差距大到足以說明：現時多模態模型即使已經能看圖和讀指令，一旦放入連續街景、地圖對位與空間推理混合的場景，穩定性仍然不足。對做 Agentic、Robotic、世界模型相關研究的團隊來講，360CityArena 的價值正在於它唔再只測單步理解，而係把城市級導航的瓶頸攤開畀人直接比較。