标签
一位家长创建了一款名为Canon的现代网页地牢游戏，用来教八岁的孩子编程，玩家可以使用简单的脚本语言构建和修改游戏世界。
CrucibleBench将语言模型置于一个持久化的MUD环境中，通过50轮游戏和隐藏的社交目标来评估智能体行为。包含13个模型的概念验证发布显示，使用LLM评判组件可显著改变排行榜顺序，这凸显了在评判消融分析中报告排名稳定性的必要性。