Navital Labs 发布 Navital Gym，一套面向印度本土任务的 AI agent 开源测试环境，任务由确定性规则自动评分，不引入 AI 裁判，首轮基线跑分已公布在项目的 GitHub 仓库。测试集覆盖 6 类任务，代码处于活跃开发期，跑分结果随完成的批次补进文档。
六类任务分别是：
- trip：印度火车配额、候补名单、航班、公路、酒店、季节和许可证约束下的行程规划，55 个任务，其中 17 个无可行解
- gst：GST 发票开具与申报数额计算，50 个任务
- form：表单填写与校验，50 个任务
- support：印地语与印英混用场景的退货、退款、隐私请求客服，50 个核心任务和 26 个实验任务
- form_multidoc：跨身份证件和记录比对、登记冲突与 OCR 修复等，40 个任务
- upi：UPI 支付尝试与纠纷处理，50 个任务
每套环境使用简化版的印度实务规则和合成数据，环境 README 写明规则出处和版本日期。评分是确定性执行的：agent 声称的成本、得分和“已完成”表述一律不采信，垃圾输入得 0 分，评分器不会崩溃。不可行任务是测试的一部分，agent 需要明确说明不可行并给出理由，理由错误即扣分。预期答案、可行性判定和设计备注留在环境内部，agent 只能拿到提示、工具和规则文本，失败测试强制这一隔离。核心和各环境只在 Python 3.10+ 标准库上运行，Inspect AI、verifiers 和 OpenEnv 适配器为可选组件。
claude-haiku-4-5 在 40 个 multi-doc 任务上 pass@1 为 0.98，form 上为 0.82，55 个 trip 任务上为 0.31，76 个 support 任务上为 0.24。gpt-4o-mini 在 form 上 0.54，trip 上 只有 0.05，support 上 0.09。表内单独列出 easy 难度档，claude-haiku-4-5 的 gst easy 拿到 1.00，trip easy 为 0.67；这一档的设计目标是让 7B 到 30B 量级的模型偶尔解出部分任务。
三套适配器都带离线端到端测试。verifiers 0.4.0 v1 与 openenv-core 0.3.0 接口较新，项目方写明这些适配器尚未在容器或托管空间内实际运行。项目以 v1.0.1 版本号固定评分代码，docs/RESULTS.md 的结果表由 scripts/regrade.py 重新评分后随新完成批次更新。
· END ·