标签：中间步骤

第一段 在AI社区中，大模型玩棋牌游戏的风潮愈演愈烈。例如，国外知名博主让DeepSeek和ChatGPT下国际象棋的视频在YouTube上获得了百万播放量。此外，ARC Prize组织最近发布了一个贪吃蛇LLM评测基准SnakeBench。针对这一场景，来自香港大学、剑桥大学和北京大学的研究人员推出了一种更全面、客观可信的LLM评测基准：GameBoT。通过让大模型在8个游戏中相互竞争，GameBoT能够评估各主流大模型的推理能力。 第二段 传统的LLM基准测试面临两个主要挑战：性能饱和与数据污染。性能饱和指的是榜单分数已经被刷得很高，几乎没有进...