codenames

一位开发者构建了一个代号游戏模拟平台，用于评估开源大语言模型在长程协作中的表现。结果显示，DeepSeek v4 Flash 在游戏逻辑对齐方面表现优异，胜出其他模型；而 Qwen 3 Next 和 GPT 5.4 Nano 则在规则约束和视角转换方面存在困难。