先看一张"成绩单"：20种大语言模型，挑战《杀戮尖塔》最高难度进阶20，一共打了200局，最后只有一局击败了最终首领。这一局来自GPT-5.6 Sol。

这项研究目前尚未经过同行评审。它把模型们放进一个叫SpireBench的环境里，统一使用铁甲战士，让每种模型在相同的10个随机种子下各尝试10局。为了考虑模型可能学过《杀戮尖塔》攻略的影响，主要实验还替换了游戏内的名称。

打开网易新闻 查看精彩图片

首幕能过，后面就崩

如果只看第一幕，模型们的表现其实不算难看。GPT-6 Astra、Claude Fable 5.1和Claude Opus 5都有9局通过首幕。但进入后续关卡后，能击败最终首领的局数大幅减少——首幕的顺利，并没有延续到后面。

研究还把模型的成绩和约20.6万局铁甲战士记录、以及四名资深主播的游玩记录做了比较。论文的判断是：表现较强的模型能处理眼前的战斗、计算伤害、使用能量，但在为后续关卡积累战力的选择上，仍明显落后于资深玩家。

它们的选择，和人类不太一样

研究观察到几个倾向：模型更愿意避开精英战，更愿意在休息处恢复生命值，也较少放弃战后的卡牌。以到达首幕首领的局数来算，模型平均与精英交战1.25次，资深主播是2.6次；模型选择休息的比例为68%，资深主播为9%。

模型到达首幕首领时，平均保留了较高比例的生命值。但代价可能是：错过了强化卡牌或获取奖励的机会。眼前活得很好，后面的牌组却没跟上。

多打几局，也没变强

论文提到，多次游玩并没有带来明确的成绩提升。不过研究本身也留了余地：每种模型只尝试了10局，随机波动可能影响成绩相近模型之间的排名；人类与模型使用的随机种子也不相同，实验只测试了铁甲战士。所以这些结果，还不能用来严格排定模型与人类玩家的实力。

换句话说，这200局更像是一次观察，而不是一份排行榜。模型能算清楚这一回合怎么打，但"这一局该怎么赢"，它们还在学。