DungeonBench：面向《龙与地下城》战斗中复杂规则战术推理的基准
原标题:DungeonBench: A Benchmark for Rules-Rich Tactical Reasoning in Dungeons & Dragons Combat
AI 导读
DungeonBench以《龙与地下城》2014版SRD战斗规则构建战术推理基准，保留几何、时机、行动经济与资源管理等机制。基准包含单场战斗的Encounter轨道，以及跨战斗继承生命值、法术位、消耗品和休息决策的Day轨道。摘要称前沿语言模型虽常能赢得单场战斗，但在长期资源预算、休息时机和规则纪律上仍有明显不足。
为什么值得读
它把智能体评测从单步答题推进到可执行、规则密集且跨遭遇持续的决策过程，直接检验当前模型的长期规划短板。
深度解读
1. 发生了什么
原始事实： 作者提出DungeonBench，以《龙与地下城》战斗评估复杂规则环境中的战术推理。每一步包含完整战术观察、待决策事项和带索引的可执行选项。基准分为单场战斗的Encounter轨道，以及在多场战斗间保留状态的Day轨道。
2. 核心技术
原始事实： 模拟器覆盖摘要所称“绝大多数”可由引擎解析的2014版System Reference Document战斗相关内容，并保留行动经济、单位特性、战场几何、时机窗口和稀缺资源等机制。统一决策流可供启发式控制器、语言模型策略、学习型选项排序器和带动作掩码的强化学习智能体使用。
3. 关键证据与数字
原始事实： 基准明确包含2条轨道：Encounter与Day。Day轨道跨遭遇保留生命值、法术位、消耗品、准备状态及短休时机。摘要只给出定性结果：前沿语言模型常能赢得直接遭遇，但在连续遭遇中暴露资源预算、休息时机和规则感知战术纪律问题。缺失信息： 摘要未列模型名称、场景数量、胜率、置信区间或与基线的具体差值。
4. 为什么重要
分析： 许多基准主要检验静态问答或短程选择，而DungeonBench试图同时约束合法性、空间关系、时机和跨局资源。若实现与覆盖声明可靠，它能更清楚地区分“知道规则”与“持续按规则做出高价值决策”。
5. 实际影响
分析： 该决策接口可能用于比较提示策略、工具增强智能体、选项排序模型和强化学习方法，也适合分析模型在动作合法性、法术位保存、休息安排及短期收益与长期生存之间的具体失误。是否能直接用于其他领域，仍取决于环境与评测工具是否公开。
6. 局限与不确定性
原始事实： 评测受模拟器可解析规则范围限制。分析： D&D战斗是结构化封闭环境，表现未必能外推到现实规划；索引选项也降低了自由生成动作的难度。未验证： 给定发布日期为2026-07-31，且未提供作者、代码仓库或定量结果，当前无法独立核验论文状态、规则覆盖率及结论强度。
7. 原始来源
- arXiv摘要页：https://arxiv.org/abs/2607.29577
- 本条目仅依据用户提供的标题、日期与摘要整理；未补充未经核验的作者、实验数字或代码链接。