arXiv · cs.AI· Scott C. Lowe, Sander W. Keemink·· 5 小时前
SpireBench 用《杀戮尖塔》评测大语言模型的长时程战略决策
SpireBench: Evaluating Long-Horizon Strategic Play of Agentic Models with Slay the Spire
arXiv:2610.12596v1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：Scott C. Lowe, Sander W. Keemink
研究任务与主要进展
研究者提出 SpireBench，让大语言模型在最高难度下完整游玩商业卡牌构筑游戏《杀戮尖塔》，用于评估长时程战略决策。基于论文摘要，20个受测模型整体超过启发式基线并达到普通人类平均水平，但明显落后专家，且模型间差距会随着流程延长而扩大；统一改写游戏术语表明部分表现依赖先验知识，跨局记忆通常错误或过度谨慎，未能改善后续表现。
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