SPEEDRUNBENCH 发布，用 9 款游戏速通评测前沿 LLM 智能体的策略形成能力
论文提出 SPEEDRUNBENCH，一个在 9 款不同游戏上评测前沿 LLM 智能体的速通基准。智能体需要在长程动作中反复改进策略、复盘自身表现并利用已获得的知识，做到比过去的自己和他人更快。实验显示，前沿智能体在简单的平台跳跃游戏中接近人类世界纪录，但在更长、更复杂的游戏上受实际预算限制仍落后于人类表现，作者认为该基准可长期作为研究智能体策略形成能力的测试平台。
推荐理由：论文用 9 款游戏的速通任务考察智能体策略形成能力，实验显示其在简单平台跳跃游戏上接近人类世界纪录，长流程复杂游戏仍落后。