STS2-Bench：测长程决策
MrBoxChen · reddit · 2026-07-13
这篇帖子介绍了 STS2-Bench：一个用《Slay the Spire 2》评测大模型长程决策能力的基准。
评测设计
- 模型要在不断变化的游戏状态中做决策：选卡、选路线、分配资源、权衡短期收益与长期生存。
- 评测强调真实对局中的不可逆决策，不允许读档（nosl），也没有未来预览。
- 作者用同一套随机种子，让 7 组模型/配置各跑完整局，评分统一。
主要结果
- 3 个 seed × 7 个模型，共 21 局全部失败，没有任何模型通关。
- 最好的成绩是到达 Act 3；整体来看，Floor 17（Act 1 boss）成了集体“死亡墙”。
- Sol 在中位数分数、平均排名和纯游戏分数上最稳。
- 成本差异很大：DeepSeek 三局总共只花了 $0.33，而 Opus 三局约 $91；总计 21 局约消耗 4.7 亿 tokens、$336。
作者想说明的点
这类长程、随机、不可逆环境，能暴露很多单轮 benchmark 看不出来的能力差异，尤其是模型在连续决策中的稳定性。
所属事件:STS2-Bench 用爬塔 2 评测模型长程决策(2 条相关)→
「模型」频道最新
- AI Sextet 活动:6 模型 14 天完全免费,含 DeepSeek/Qwen/GLM — airesearch12 · 2026-09-11
- BullshitBench 榜单更新:GPT-6-Astra 领先历代 OpenAI 模型仍未及 Anthropic — scaling01 · 2026-09-11
- Agent Astra 在 GauntletBench 得 83%,成首个超人类基线的电脑操作 Agent — ducha_aiki · 2026-09-11
- Kimi K2.8 Preview 上线：性能接近 K3、1M 上下文全档开放 — teortaxesTex · 2026-09-11
- 有人想给软件工程任务建「形态分类」数据库,好按任务选模型 — StewartalsopIII · 2026-09-11
- 用户呼声下 DeepSeek V4 Pro API 宣布继续服务,计费不变 — teortaxesTex · 2026-09-11