合作推理的火花：LLM作为战略性的Hanabi代理

在不完全信息下的合作推理对人类和多智能体系统都是挑战。纸牌游戏Hanabi体现了这一挑战，需要心智理论推理和战略沟通。本文在2-5人游戏中评估了17种最先进的LLM代理，并研究了不同模型规模（4B到600B+）下上下文工程的影响，以理解持续的协调失败和对脚手架的鲁棒性。从仅包含显式卡片细节的最小提示（Watson设置），到基于程序化、贝叶斯动机的推断的脚手架（Sherlock设置），再到通过工作记忆进行多轮状态跟踪（Mycroft设置）。结果显示，（1）代理可以维持内部工作记忆用于状态跟踪；（2）不同LLM之间的跨玩性能随着模型强度平滑插值。在Sherlock设置中，最强的推理模型在平均得分上超过15分，但仍落后于经验丰富的玩家和专业Hanabi代理，后者得分均超过20分。我们发布了第一个公开的Hanabi数据集，包含注释轨迹和移动效用：（1）HanabiLogs，包含1,520个完整游戏日志用于指令调整；（2）HanabiRewards，包含560个带有密集移动级价值注释的游戏。使用我们的数据集对一个4B开源权重模型（Qwen3-Instruct）进行监督和强化学习微调，使合作Hanabi游戏表现分别提高了21%和156%，接近一个强大的专有推理模型（o4-mini）并超越最佳非推理模型（GPT-4.1）52%。进一步微调的HanabiRewards模型还超出了Hanabi任务，在合作组猜测基准上提升了11%，在EventQA的时间推理上提升了6.4%，在IFBench-800K的指令遵循上提升了1.7 Pass@10，并匹配AIME 2025数学推理的Pass@10。