SpireBench：用《杀戮尖塔》评测智能体模型的长期策略博弈

SpireBench 以最高难度下的完整商业卡牌构筑游戏《杀戮尖塔》评测 20 个大语言模型，前沿模型击败启发式基线、追平普通人类玩家，但远落后于专家。流程越长差距越大，强弱之分在于每场战斗的处理，所有模型都误判长程风险，倾向保血而非以血换成长。全部游戏术语重命名后其表现部分依赖先验知识，模型也无法从跨局记忆中获得提升。