摘要
现有基准测试往往低估了规则丰富的战术推理能力,即同时考量几何、时机、资源和目标的能力。本文提出DungeonBench,基于《龙与地下城》2014版规则构建,涵盖完整的战术观察与可执行选项。该基准包含“遭遇战”(局部战术)和“日常模式”(跨遭遇的资源管理与休息策略)两个赛道,旨在评估智能体在权衡即时优势与未来生存能力时的表现。实验表明,前沿语言模型虽能赢得单场战斗,但在资源预算、休息时机及规则意识方面仍存在显著缺陷。
AI 推荐理由
论文核心评估LLM在复杂规则下的战术推理能力,涉及几何、时机及资源等多维度的逻辑判断。
研究机构
fal
论文信息