SpireBench：利用《杀戮尖塔》评估智能体长程策略推理能力的基准测试

研究团队推出评测基准 SpireBench，通过让大语言模型运行完整商业游戏《杀戮尖塔》（Slay the Spire）来评估其长程策略规划能力。在游戏最高难度下测试 20 款大语言模型发现，前沿模型表现可达人类平均水平但远低于专家，且随流程拉长会在局内成长和风险决策上暴露出过度保守的缺陷。测试还通过术语重命名与跨局记忆分析证实，模型部分成绩依赖游戏先验知识，而跨局自写的记忆经常出错且未带来提升。