GENSTRAT：面向大语言模型策略推理科学的评价系统

研究人员提出 GENSTRAT 系统，通过程序化生成双玩家零和不完全信息博弈游戏，解决固定评测集饱和及数据污染问题。该系统基于 5 个复杂度轴度量游戏，构建了包含 12 个前沿及开源模型、逾 4 万局对决的 50 局基准测试。研究发现，更高的思考预算及匹配游戏需求的推理能力，能显著提升 LLM 玩家的胜率。