tactical-reasoning

DungeonBench 是一个用于评估龙与地下城战斗中战术推理的新基准，在单个遭遇战和关联的冒险日中测试 AI 策略在规则丰富的决策任务上的表现。前沿语言模型通常能赢下直接战斗，但在更长周期内的资源预算和休息时机上表现不佳。

Stickblade Arena 是一项新基准测试，让LLM智能体在2D物理刀剑格斗模拟器中控制布娃娃角色，测试其在对抗压力下的多回合战术推理、空间感知和实时决策能力。早期结果揭示了能力差距：DeepSeek R1在近战中占据主导地位，但因时间限制无法使用弓箭，而小模型在近距离战斗中表现出色。