RetroChessBench：用于重构与证明棋局历史的基准

研究者提出 RetroChessBench，这是一项包含 12 个任务的基准，用于测试前沿大模型在逆向棋局重构中的推理能力。 在两项试验中，GPT 6 Astra High 在 24 次尝试里失败 22 次（无工具），使用代码执行则失败 18 次，平均终端 RL 奖励分别为 14.75% 和 27.19%。