英雄之旅：利用文本游戏测试复杂规则归纳

本文提出“英雄之旅”基准，用于评估目标导向 episodic 任务中的规则归纳能力。智能体需从演示中推断隐藏规则并执行多步操作。该基准涵盖属性与过程归纳两大类的八个任务，具备可控的词法 grounding 和可识别性条件。实验表明，当前最先进的大语言模型虽展现出一定的规则归纳能力，但在不同任务间表现不均且受限。执行过程构成主要瓶颈，而表面语义影响较小。针对归纳的引导方法提升了属性任务性能，但在过程任务上未见显著增益，表明过程归纳仍是开放挑战。