杀戮尖塔当考题:11 个前沿模型长时程推理实测,数百决策定胜负

JenniferHli · x · 2026-10-20

Preference Model 团队提出用肉鸽卡牌游戏《杀戮尖塔》(Slay the Spire)作为长时程推理 benchmark。他们认为合适的评测任务应规则清晰、易于量化,且包含大量深度决策,前期选择会影响后期局面——一次通关由数百个连续决策组成,随机事件还迫使模型临场调整策略。

实验设置:让 11 个前沿模型各以 3 档推理强度,在 5 个游戏场景上每种组合跑 10 局,回答两个问题:杀戮尖塔是否真能衡量长时程推理,以及哪些模型最强。文中附有全部对局录像可回看。