Scott C. Lowe

智能体大模型能处理复杂任务，但长程策略推理缺少可拆解的评测。SpireBench让20个大模型在最高难度下完整游玩商业卡牌构筑游戏《杀戮尖塔》，前沿模型超过启发式基线并追平普通玩家，却仍远落后专家；差距随流程拉长而扩大，最强模型首幕胜率与专家相当，之后掉队。模型跨局写下的记忆没有带来提升，且常出错、过于保守。

智能体大模型能处理复杂任务，但长程策略推理缺少可拆解的评测。SpireBench让20个大模型在最高难度下完整游玩商业卡牌构筑游戏《杀戮尖塔》，前沿模型超过启发式基线并追平普通玩家，却仍远落后专家；差距随流程拉长而扩大，最强模型首幕胜率与专家相当，之后掉队。模型跨局写下的记忆没有带来提升，且常出错、过于保守。