SpireBench：用《杀戮尖塔》评测智能体长程策略
原文标题：SpireBench: Evaluating Long-Horizon Strategic Play of Agentic Models with Slay the Spire
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 SpireBench，让 20 个大语言模型在最高难度下完整游玩商业卡牌游戏《杀戮尖塔》，以评测长程策略推理。前沿模型击败启发式基线并追平普通玩家，但远落后专家，且随流程拉长差距扩大。研究还发现模型表现部分依赖游戏先验知识，且无法从跨局记忆中改进。
- 问题
- 现有智能体基准偏短程片段化，难以评测长程策略推理。
- 方法
- 让20个LLM在最高难度下完整游玩商业卡牌游戏《杀戮尖塔》，并做术语重命名与跨局记忆分析。
- 结果
- 前沿模型追平普通玩家但远落后专家，差距随流程拉长扩大；跨局记忆无法带来改进。
- 影响
- 提供未饱和的长程基准与失败定位工具，适合评估智能体长期规划能力。
深读 · 结论先行AI 生成展开看要点与影响 ↓
20个LLM最高难度通关《杀戮尖塔》：追平普通玩家、远落后专家，且跨局不学习
- •SpireBench让20个大语言模型在最高难度完整游玩商业卡牌游戏《杀戮尖塔》
- •前沿模型击败启发式基线并追平普通玩家，但远落后专家，且差距随流程拉长而扩大
- •最强模型第一幕胜率与专家相当，之后开始落后；强弱差异主要体现在每场战斗的处理
- •全面一致的术语重命名显示部分表现依赖游戏先验知识；模型无法从跨局记忆改进，所写记忆常错误且过度保守
为什么重要：长程策略推理缺乏可拆解的评测，该基准把「知识、推理、运气」分离，并指出模型在风险取舍（保血 vs 变强）上的系统性误判，对agent长程能力评测有方法意义。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。