SpireBench评测：20款主流大模型挑战《杀戮尖塔》A20，暴露AI长期战略规划短板

事件概述

加拿大Vector研究所与荷兰Radboud大学的研究人员在arXiv平台发布了题为《SpireBench：用〈杀戮尖塔〉评估智能体模型的长期战略能力》的研究论文。该研究旨在通过高难度的肉鸽卡牌游戏《杀戮尖塔》，测试当前大语言模型（LLM）在资源管理、路线规划和长期战略决策方面的能力。

实验选取了20个主流大模型，统一使用铁甲战士角色，在最高难度A20下各挑战10个全新种子，共计200局游戏。结果显示，通关率极低，仅有 GPT-5.6 Sol 成功通关一次心脏（最终Boss）。表现最好的四个模型（Claude Fable 5.1、GPT-6 Astra、Claude Opus 5、GPT-5.6 Sol）虽超越了人类平均水平，但与顶尖高手相比仍有巨大差距。

核心发现：AI为何失败？

研究指出，AI的主要败因并非操作失误，而是策略过度保守和缺乏大局观，具体表现为以下三个维度：

1. 极度保守的风险偏好

   • 精英战回避：在第一幕中，AI平均只进行0.9-1.4场精英战，而人类高手主播约为2.6场。精英战通常提供强力遗物和卡牌，是后期强度的关键来源。
   • 频繁回血：57%-75%的营火选择用于回血，而高手仅为9%。即使血量高于70%，AI仍有31%的概率选择休息，导致带着满血但较弱的卡组进入BOSS房，错失了通过冒险获取成长的机会。

2. 牌组管理低效（臃肿）

   • 跳过奖励率低：AI跳过非理想卡牌奖励的比例仅为3%-13%，远低于人类玩家的23%。
   • 抽卡效率低：由于不断累积卡牌，AI在第一阶段BOSS战时平均牌组大小为19.3张，而人类玩家仅为16.8张。牌组越臃肿，关键卡牌的抽取概率越低，进一步削弱了后期战斗力。

3. 跨局学习机制固化保守倾向

   • 实验设置了“跨局学习”机制，允许AI将经验写入记忆库供后续对局参考。然而，人工审核发现，AI记忆库中建议“谨慎行事”的记录有119条，而建议“冒险”的仅17条。
   • 这种保守倾向被记录并传递给下一局，形成了“越来越胆小”的恶性循环，导致AI无法从失败中优化战略，反而强化了规避风险的错误策略。

值得关注的能力对比

• 局部微操 vs. 全局战略：强模型在单场战斗中的表现优异，平均每场掉血8.2点（弱模型为14点），且无“错斩”现象，说明其局部战术计算能力已接近顶尖水准。然而，随着游戏阶段推进，AI的胜率呈断崖式下跌（第三阶段通关率0%-20%），而人类高手能保持平滑的胜率曲线（第三阶段56%-71%）。
• 战略权衡缺失：AI难以理解“牺牲眼前血量以换取长期强度”的逻辑。人类玩家往往通过主动承担风险（如少休息、多打精英）来构建更强卡组，而AI因过度重视即时生存，导致后期强度不足。

结论与意义

该研究揭示，尽管当前最强的大模型在处理即时任务和局部战术上表现出色，但在需要跨越长时间线、进行复杂战略权衡的任务（如投资决策、项目管理等）中，仍存在显著短板。AI目前尚不具备在不确定性环境中平衡“短期安全”与“长期收益”的能力，《杀戮尖塔》因此仍将是评估AI长期战略能力的重要基准测试。