发布篮球管理长程决策基准GM Bench

arXiv新发布的GM Bench基准通过模拟四个体育项目的跨赛季管理，评估LLM在资源约束下的长时程决策能力。该基准由Junkai Zhou等人主导发布，旨在测试模型在职业体育联赛管理中的交互式长时程任务表现。 最新评估结果显示，Claude Opus 5.5在参与测试的29个LLM中排名首位，展现了最强的综合决策能力。此外，GPT-6 Astra与GPT-6.1 Sol也表现优异，实现了竞技表现与高额现金储备之间的良好平衡。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。