AI要約本論は Vision-Language Models の長期視覚タスクを評価するベンチマーク PokeGym を提案する。Pokemon Legends: Z-A の環境を用い、エージェントは生RGB観測のみで動作する。評価は視覚的グラウンディング、意味推論、自律探索の三つの粒度で構成され、現状の VLM のボトルネックとしてデッドロック回復を指摘する。ポケモン自体を主要研究対象として扱っているわけではなく、論文全体の主題は VLM の評価手法である。