arXiv · AI· Simon Henniger, Gabriel Poesia·· 2026-10-14AI 评分47
The Token Games:基于谜题对决评估大语言模型推理能力
The Token Games: Evaluating Language Model Reasoning with Puzzle Duels
AI 导读
研究人员提出 The Token Games (TTG) 评估框架,让模型互出编程谜题以测试推理,通过 Elo 评分对比 10 个前沿模型。该框架耗时少于 200 美元且无需人工出题,其模型排名与 Humanity's Last Exam 等现有基准高度一致。TTG 旨在通过设计避免评估饱和,并能同时测试创造力与任务创建等其他技能。
来源:arXiv · AI · arxiv.org