GENSTRAT推出大模型战略推理评测基准

研究团队提出 GENSTRAT，通过程序生成双人零和不完全信息下注博弈，评估大语言模型的战略推理能力。该系统能够按需生成新博弈，旨在缓解固定游戏评测集因反复使用而出现的饱和及数据污染问题。 研究团队构建了包含50款游戏的基准，并组织12个前沿及开放权重模型进行锦标赛，累计开展超过40,000场模型对战。实验分析显示，增加思考预算、公开对手策略，以及根据游戏的私有信息和规划深度调整推理能力，均与模型取得更高对战优势相关。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。