选择 LLM 用于战略智能体交互

研究发现，在对抗性对手的情况下，基于多臂老虎机的方法在战略模型选择中优于基于嵌入的选择，但仍然低于固定模型基线。评估信号具有游戏特定性，需要比传统基准设置更多的种子运行才能提取可靠的信号。在 5 个游戏和 10 个 LLM 上进行评估，发现模型的战略能力在不同游戏设置和对手面前存在显著差异。