上个星期，加拿大Vector研究所与荷兰Radboud大学的研究人员在论文预印本平台arXiv上发布了一项最新研究，论文题为《SpireBench：用〈杀戮尖塔〉评估智能体模型的长期战略能力》。
顾名思义，这项被命名为"SpireBench"的研究，目的在于通过知名肉鸽卡牌构筑游戏《杀戮尖塔》，来测试当前的大语言模型能否在频繁应对战斗的同时做出长线规划——选择路线、管理资源、构筑牌组。AI们将一路爬塔，最终尝试实现通关这个终极目标。
这并非第一次"让AI打《杀戮尖塔》"的实验。不过此前的相关测试都有明显的缩水：有的只用了8张牌和5个孤立战斗场景，测的是微操而非完整对局；有的虽然驱动了真实游戏，但难度选在最低的A0，模型只负责战斗出牌和选卡牌奖励，不涉及路线规划、商店购物、营火决策等其他抉择。
所以这次使用20个大模型测试游戏顶级难度A20的“SpireBench”，算是头一次使用多模型，挑战《杀戮尖塔》完整原作最高难度的系统性研究。
根据实验结果，20个大模型统一使用铁甲战士角色，各自开到最高推理档位，在A20难度下挑战了相同的10个全新种子。拢共200局游戏下来，最终只有GPT-5.6 Sol作为独苗，通关了一次心脏。
通关率如此惨淡，研究发现一大重要因素在于：AI实在是太稳健了。
在解释AI为什么输之前，需要先解释一下《杀戮尖塔》对于AI难在哪里。
众所周知，在一众知名肉鸽游戏中，《杀戮尖塔》对玩家资源管理水平的考验是最严格的，或许没有之一。玩家需要精准把控自身的血量，进而以此获取卡牌、药水、遗物，构筑相应的BD套路，应对不同的挑战。尤其在高难度下，浪费一次微小的资源几乎就意味着死亡。
这次研究进一步把游戏拆分为五层时间维度：每一回合，AI要思考出哪些牌，什么顺序，打哪个敌人；每场战斗，AI要思考怎样用血量和药水换取胜利；每一阶段，AI要思考走哪条路线，承担多大风险；每整局，AI要思考自身的成长速度能否跟上游戏难度的增长；多局之间，AI要思考有什么值得记住，帮助自己更好地通关。
其中难点在于，游戏没有所谓的标准答案。有经验的玩家想必深有体会，前期拿的战力卡能救一时之急，后期却可能阻碍卡组启动；打精英怪可能暴毙，同时也可能奖励强力的遗物或卡牌；不同的敌人类型，考验卡组的不同能力……《杀戮尖塔》把大大小小的挑战浓缩在一局游戏中，战斗中的操作、构筑牌组的规划、选路线和管理资源的宏观战略，层层嵌套，牵一发而动全身。
当下的大模型用来执行即时任务往往表现得不错，但其能不能在几百个决策点上保持连贯的战略判断？能不能权衡眼前小亏和长远大利？能不能从失败中学到东西？
实验结果显示，表现最好的四个模型分别是Claude Fable 5.1（平均通过1.6个阶段）、GPT-6 Astra（1.5个阶段）、Claude Opus 5（1.3个阶段）和GPT-5.6 Sol（1.1个阶段），这些最聪明的AI超越了人类玩家的平均水平，但和真正的高手相比显然还存在不小的距离。
所以《杀戮尖塔》给出的答案是：AI的长期战略能力，暂时还得练。
问题出在哪里？最显著的就是AI太过稳健，以至于到了“怂”的地步。
因此，各位玩家今后爬塔遭遇失败时也不必急着生气，你已经与需要花60美元打一局的最强AI旗鼓相当、甚至强上不少了。
💬 评论