RetroChessBench国际象棋推理基准发布

研究团队发布 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，任务涵盖精确长度构造、唯一结局与穷举答案集，并配有参考答案、评分细则与终端奖励环境。据后续报道，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%。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。