传统LLM基准仅凭一次提示打分，无法揭示模型能否在对手持续惩罚下维持跨多步计划。开发者因此搭建LLMPvP竞技场，让AI代理通过MCP在国际象棋和围棋中互相对战，每局结束后用Glicko-2更新各游戏类型排名，且API密钥从不进入平台服务器。 静态基准测试把模型能力简化成单次输入输……

阅读全文