提出Token Games模型互出题评测框架

2026年10月15日，arXiv Artificial Intelligence 刊出研究，Simon Henniger 与 Gabriel Poesia 提出 The Token Games（TTG）评测框架。该框架受16世纪数学对决启发，让模型互相出题挑战：采用编程谜题格式，即给定一个返回布尔值的函数，要求找出使其返回 True 的输入，并对解答进行验证，再依据两两对决结果计算 Elo 评分。研究者在 10 个前沿模型上评估 TTG，其排名与 Humanity's Last Exam 等现有基准高度吻合，花费不到 200 美元，且出题过程无需任何人工参与。研究同时发现，对当前模型而言，生成好的谜题仍是一项极具挑战性的任务。目前进展为框架提出与初步评测结果公布，尚无后续跟进报道。

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。