标签
XiangqiBench 是一个可执行的基准测试，用于对 LLM 智能体在中国象棋残局中的表现进行闭环评估：测量模型能否在必杀局面下，将优势转化为经引擎防守方验证的胜局，并揭示了静态着法发现能力与实际赢棋表现之间的巨大差距，涵盖 12 个前沿大模型。