研究者发布RetroChessBench倒推国际象棋评测基准

Tidor-Vlad Pricope 在 arXiv 提交论文，发布 RetroChessBench——一个包含 12 项任务的倒推国际象棋评测基准，覆盖定长构造、唯一结局和穷举答案集，附带参考答案、评分细则与终端奖励环境。 测试结果显示，GPT 6 Astra High 在每任务两次试验中，无工具时 22/24 次无法给出所需最终答案，启用代码执行后仍有 18/24 次失败，平均终端 RL 奖励分别为 14.75% 和 27.19%。作者认为网络训练数据缺少此类推导解释，质疑前沿数学推理能否真正泛化。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。