The Token Games：用解谜对决评估语言模型推理能力

研究者提出 The Token Games（TTG）评估框架，让模型互相出题挑战，采用编程谜题格式（给定返回布尔值的函数，找出使其返回 True 的输入）并验证解答，再通过两两对决结果计算 Elo 评分。在 10 个前沿模型上，TTG 排名与 Humanity's Last Exam 等现有基准高度吻合，花费不到 200 美元且无需人工出题。研究还发现，当前模型生成好谜题仍十分困难。