20个大模型挑战《杀戮尖塔》A20难度，仅GPT-5.6Sol通关一次心脏，主因是策略过度保守

近期，一项针对大语言模型长期战略能力的系统性评测引发关注：加拿大Vector研究所与荷兰Radboud大学的研究团队在arXiv平台发布论文《SpireBench：用〈杀戮尖塔〉评估智能体模型的长期战略能力》，首次将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测试。结果令人意外——200局游戏中，仅GPT-5.6 Sol以1次通关“心脏”成为唯一幸存者。

这项测试之所以重要，在于它跳出了过往碎片化实验的局限。此前类似尝试或仅限8张牌+5场孤立战斗，或仅在最低难度A0下运行，且模型通常只负责出牌决策，不参与路线选择、商店交易与营火管理等关键宏观环节。而SpireBench要求模型全程扮演铁甲战士角色，从第一幕起自主决策每一步：走哪条路径、是否挑战精英怪、如何分配药水与遗物、何时升级卡牌、是否跳过奖励卡……最终目标是抵达并击败第三幕BOSS“心脏”。

测试采用10个全新随机种子，每个模型运行10局，总计200局。结果显示，表现最优的四个模型为Claude Fable 5.1（平均通过1.6阶段）、GPT-6 Astra（1.5阶段）、Claude Opus 5（1.3阶段）和GPT-5.6 Sol（1.1阶段）。尽管这些模型在第一阶段通关率可达85%–92%，接近人类顶尖主播水平，但随着阶段推进，胜率断崖式下跌：至第三阶段，最强模型通关率仅为0%–20%，而人类高手稳定维持在56%–71%。

问题根源并非局部操作能力不足。数据显示，顶级模型在单场战斗中平均仅掉血8.2点，远低于弱模型的14点；且从未出现“错斩”（即误伤己方），说明其即时战术判断已相当精准。真正制约其上限的，是贯穿整局的战略保守主义。

具体表现为三重行为偏差：

第一，回避风险决策。人类高手在第一幕平均挑战2.6场精英战，以换取稀有遗物与强力卡牌；而AI平均仅打0.9–1.4场。更典型的是营火选择：当血量高于70%时，AI仍有31%概率选择休息回血，而所有人类主播在此情境下均选择升级卡牌。整体上，AI在57%–75%的营火节点选择回血，人类仅9%。这导致AI常以90%满血状态进入第一阶段BOSS战，却携带低强度卡组与匮乏遗物——而人类玩家往往半血入场，但凭借前期冒险积累的资源反超。

第二，牌组管理失效。《杀戮尖塔》的核心机制之一是“小卡组优先”，冗余卡牌会显著降低关键牌抽到概率。人类玩家在卡牌奖励阶段会主动跳过约23%的非核心卡；AI则仅跳过3%–13%，导致第一阶段BOSS战时平均卡组达19.3张，人类为16.8张。臃肿卡组直接削弱了后期应对高难度敌人的灵活性。

第三，跨局学习固化保守倾向。研究分析了AI的记忆库，发现其中119条建议指向“谨慎行事”，仅17条鼓励“冒险”。这意味着每次失败后，模型倾向于进一步收紧策略，形成“越输越怂”的负反馈循环。

这一现象揭示了当前大模型在复杂动态环境中的根本局限：它们擅长处理确定性子任务（如单场战斗出牌序列），但在不确定性下的长期权衡（如牺牲当前血量换取未来成长）上仍显稚嫩。《杀戮尖塔》恰如一面镜子——它没有标准解法，每一项抉择都牵动后续数十步，且容错率极低。这正是人类玩家通过反复试错、经验内化形成的“直觉性战略”，而当前LLM尚无法有效建模这种跨时序的价值函数。

值得注意的是，该研究与近期另一项具身智能测试形成有趣对照。在Artificial Analysis发布的AA-Robotics v0.1榜单中，GPT-6 Astra等模型虽能操控机械臂完成搭积木、画图等任务，但平均耗时约30分钟，比人类慢两个数量级；且存在“任务完成仍持续调整”的逻辑混乱问题。两组实验共同指向同一结论：通用大模型在符号推理与工具调用层面进步显著，但在风险感知、资源置换与跨周期优化等需深度因果建模的能力上，仍与人类存在代际差距。

从技术角度看，问题部分源于现有强化学习框架对“延迟回报”的建模薄弱。《杀戮尖塔》中，一次精英战的收益可能在第三幕才显现，而当前基于RLHF或DPO的训练范式，主要优化短期奖励信号（如单场胜利），难以支撑数百步后的价值回传。此外，模型缺乏对“资源机会成本”的显式建模——例如，多保留10点血看似安全，实则意味着放弃一张关键遗物，而后者可能决定最终能否通关。

行业层面，SpireBench为评估智能体长期规划能力提供了可复现基准。不同于传统NLP或代码评测，它要求模型在开放世界中持续决策，并接受真实失败反馈。未来改进方向可能包括：引入显式记忆压缩机制以避免策略僵化；设计分阶段奖励函数，强化中期里程碑价值；或结合蒙特卡洛树搜索（MCTS）进行前瞻模拟——正如AlphaGo在围棋中所做的那样。

目前，《杀戮尖塔》尚未被AI征服，但这恰恰是进步的起点。当模型开始理解“血量只有快没有的时候才是有用的资源”这一反直觉真理时，或许才真正迈入战略智能的新阶段。