20个大模型挑战杀戮尖塔A20难度 全部失败仅GPT5.6Sol通关1次心脏

加拿大Vector研究所与荷兰Radboud大学联合开展SpireBench基准测试，将20个主流大模型置于《杀戮尖塔》原作最高难度A20环境下进行完整对局评估，总计200局（10种子×10局/模型）。结果表明：所有模型均未稳定通关，仅GPT-5.6Sol在1局中击败最终BOSS“心脏”，成为唯一幸存者。测试要求模型全程扮演铁甲战士，自主决策路线选择、精英战取舍、商店交易、营火管理及卡组构建等宏观环节，远超以往仅限单场战斗或低难度的碎片化实验。

数据显示，顶级模型如Claude Fable 5.1、GPT-6 Astra等第一阶段通关率达85%–92%，接近人类顶尖水平；但至第三阶段，最强模型通关率跌至0%–20%，而人类高手稳定维持在56%–71%。问题根源并非即时战术失误——AI单场平均掉血仅8.2点，无错斩行为——而是贯穿全局的战略保守主义：其一，回避风险，平均仅挑战0.9–1.4场精英战（人类为2.6场），营火节点57%–75%选择回血（人类仅9%）；其二，牌组管理失效，第一阶段BOSS战时平均卡组19.3张（人类16.8张），跳过非核心卡比例仅3%–13%（人类约23%）；其三，跨局学习固化保守倾向，记忆库中119条建议主张谨慎，仅17条鼓励冒险，形成“越输越怂”负反馈。

研究指出，当前LLM擅长确定性子任务，但在不确定性下的长期权衡（如牺牲血量换取遗物成长）仍显稚嫩，反映其对延迟回报与资源机会成本建模薄弱。该测试为评估智能体长期规划能力提供新基准，未来或需引入记忆压缩、分阶段奖励函数或MCTS前瞻模拟等机制以突破瓶颈。