arXiv · cs.AI· Simon Henniger, Gabriel Poesia·· 11 小时前
The Token Games：用编程谜题对赛评测语言模型推理能力
The Token Games: Evaluating Language Model Reasoning with Puzzle Duels
arXiv:2602.17831v3阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Simon Henniger, Gabriel Poesia
研究任务与主要进展
Simon Henniger与Gabriel Poesia提出The Token Games评测框架，让语言模型相互出题，并通过布尔函数编程谜题验证答案、再用两两对赛的Elo评分比较10个前沿模型。基于论文摘要，该方法无需人工创建谜题，成本低于200美元，所得模型排名与Humanity's Last Exam接近；当前模型生成高质量谜题仍很困难。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org