STS2-Bench：测长程决策的基准
MrBoxChen · reddit · 2026-07-12
作者提出了一个新基准 STS2-Bench，用 Slay the Spire 2 测试模型的长时程决策能力。
核心思路
不是让模型回答单个问题，而是让它在整局游戏里持续决策：
- 读取不断变化的状态
- 权衡短期收益和长期生存
- 在不确定性下选择卡牌、路线和资源
- 每轮之后根据结果调整策略
实验与发现
- 作者在同一框架下评测了 7 组模型/配置
- 其中 5.6Sol 在这种序列决策任务上表现出乎意料地好
- 作者明确表示：这不应被视为通用智能排名，但它可能揭示了传统单轮 benchmark 看不到的信号
作者希望得到的反馈
- 这种游戏任务是否适合作为规划与长程推理的代理指标
- 还需要哪些控制变量或基线让评测更可信
- 还有哪些游戏或环境适合做这类 benchmark
所属事件:STS2-Bench 用爬塔 2 评测模型长程决策(2 条相关)→
「研究」频道最新
- 剑桥等机构论文揭露图软提示的 token collapse 病态行为 — Sapienza · 2026-10-27
- Mathathon 2.0 启动：与陶哲轩 SAIR 合作，团队获 150 万美元算力 — _sathvikr · 2026-10-27
- 推友提出「甜课程」真实存在：两类 ML 问题应分而治之 — mike64_t · 2026-10-27
- PixGR：像素空间生成式解码加速前馈 3D 高斯重建 — kwangmoo_yi · 2026-10-27
- UniAction 统一动作条件框架:单一世界模型驱动多种动作类型 — ZeYanjie · 2026-10-27
- Infini-AI Lab 开源 Hermit:让 agent 从经验中进化出好习惯 — BeidiChen · 2026-10-27