研究团队推出基于《杀戮尖塔》的智能体评测基准SpireBench

1. 12:00
   arXiv 人工智能

   SpireBench：通过《杀戮尖塔》评估智能体模型的长程战略推理能力

   研究团队推出基于商业卡牌游戏《杀戮尖塔》的评测基准 SpireBench，用于评估智能体大语言模型在长程任务中的战略决策与推理能力。在最高难度下评测 20 个大语言模型发现，前沿模型能达到人类平均水平，但随着游戏进程拉长与人类专家差距明显扩大。实验显示现有模型在全流程中普遍存在风险误判，倾向于保全生命值而非牺牲血量换取战力成长，且跨局记录的记忆常出现错误导致无法实现策略迭代。

当前热度 9·可比范围峰值 10（10月12日 13:00）·近 24 小时可比范围变化 –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。