摘要
现代视觉语言模型（VLM）在竞争与合作场景的不确定性下，往往难以进行战略推理。即时战略（RTS）游戏是诊断此局限性的理想测试床。针对现有基准评估范围有限且缺乏系统性诊断的问题，本文提出 RTSGameBench。该基准基于大规模 RTS 游戏构建，提供多样化对局评估、针对单一战略能力的迷你游戏诊断，以及通过自进化框架生成新任务的扩展机制。实验表明，当前主流 VLM 在需要紧密协作及任务规模增大时表现不佳。
AI 推荐理由
论文核心聚焦于评估 VLM 在不确定环境下的战略推理能力，构建基准以诊断该缺陷。
研究机构
Seoul National University
论文信息