RetroChessBench：评估大模型重建与证明国际象棋历史的基准

研究团队推出 RetroChessBench，一个包含 12 项任务的基准，用于检验模型在回溯国际象棋中重建合法棋史、区分可能事件与必然事件的能力。GPT 6 Astra High 在每项任务两次试验中，无工具时 24 次尝试有 22 次未给出要求的最终答案，启用代码执行后仍有 18 次失败，平均终端 RL 奖励分别为 14.75% 和 27.19%。