STS2-Bench 用爬塔 2 评测模型长程决策

STS2-Bench 是一项新基准，借助《Slay the Spire 2》评测大模型的长程决策能力。它不再用单题问答衡量表现，而是要求模型在整局游戏中面对持续变化的状态连续作出选择，以检验其长期规划与策略一致性。

2026-07-12 ~ 2026-07-13 · 2 条相关

• STS2-Bench：测长程决策的基准 — MrBoxChen · 2026-07-12
• STS2-Bench：测长程决策 — MrBoxChen · 2026-07-13