SpireBench发布：首个基于《杀戮尖塔》的长时序智能体战略推理基准测试平台

摘要：arXiv发布了一款名为SpireBench的智能体战略推理基准测试平台，该平台以热门游戏《杀戮尖塔》为测试环境，旨在评估大语言模型在长时序复杂任务中的表现。SpireBench通过完整游戏模拟，让模型在最高难度下进行决策，测试其战略推理能力。实验结果表明，顶尖模型在游戏初期表现接近人类平均水平，但在长时间运行中逐渐落后于专家玩家，暴露出对风险误判和过度保守的缺陷。SpireBench为研究智能体在长时序任务中的表现提供了新的工具，并揭示了当前模型在复杂决策中的不足。

---

核心突破

SpireBench是首个基于完整商业游戏《杀戮尖塔》（Slay the Spair）的智能体战略推理基准测试平台，旨在评估大语言模型（LLMs）在长时序复杂任务中的表现。与传统短时序、片段化的智能体基准测试不同，SpireBench通过模拟完整的游戏流程，测试模型在长时间跨度内的决策能力与战略规划水平。

技术机制剖析

1. 游戏环境模拟：SpireBench将《杀戮尖塔》的完整游戏逻辑嵌入到测试环境中，包括关卡设计、敌人行为和资源管理机制。模型需要在游戏的不同阶段进行决策，这些决策会直接影响后续的游戏进程和最终结果。

2. 长时序推理挑战：模型需要在游戏的不同阶段进行长期规划，平衡短期收益与长期目标。例如，在游戏初期，模型需要决定是否牺牲健康值来换取更强的战斗力，这种决策对后续的游戏进程有深远影响。

3. 性能评估指标：SpireBench引入了多维度的评估指标，包括关卡通过率、资源管理效率、风险评估准确性等，全面衡量模型在不同方面的表现。

工程权衡与实测表现

实验结果表明，顶尖模型在游戏初期表现接近人类平均水平，但在长时间运行中逐渐落后于专家玩家。这主要是因为模型在风险评估和长期规划方面存在不足，具体表现为：

• 风险误判：模型倾向于过度保守地保存健康值，而不是在关键时刻冒险以换取更大的收益。
• 记忆利用不足：模型在跨运行中记录的记忆信息往往不准确或过于谨慎，未能有效利用历史经验进行改进。

开发者落地与部署建议

SpireBench为开发者提供了一个全新的工具，用于评估和提升智能体在长时序复杂任务中的表现。以下是一些建议：

• 强化学习策略优化：开发者可以针对SpireBench的评估指标，优化模型的强化学习策略，提升其在长时序任务中的表现。
• 记忆机制改进：改进模型的记忆机制，使其能够更有效地利用历史经验进行决策。
• 风险评估机制：引入更精细的风险评估机制，使模型能够在关键时刻做出更明智的决策。

结论

SpireBench为研究智能体在长时序任务中的表现提供了新的思路和方法，揭示了当前模型在复杂决策中的不足，并为未来的研究指明了方向。

---

消息来源：ArXiv AI (cs.AI) (2026-10-12)

—— 完 ——

主题标签： #智能体 关注 #长时序推理 关注 #基准测试 关注 #大语言模型 关注 #游戏AI 关注