Evalatro: Open-Source-Benchmark lässt LLMs das Kartenspiel Balatro spielen
CompaniesDeepSeek
Warum es zählt
Der Benchmark testet strategisches Entscheidungsvermögen von LLMs in einer echten, komplexen Spielumgebung mit reproduzierbaren Seeds und manipulationssicherem Server-Scoring. Nützlich für alle, die LLM-Reasoning jenseits klassischer Text-Evals evaluieren wollen.
— Lumeric Redaktion
Evalatro (Ante reached) · Spitzenwert
5%
mimo-v2.5-pro
Frag die KI zum Artikel
Folgefragen zu Headline, Quelle und Volltext — Antwort streamt in wenigen Sekunden.
Verwandte Beiträge
- FORSCHUNGarxiv.org0mo
Schach-Benchmark für automatische Prompt-Optimierung von LLMs vorgestellt
- FORSCHUNGarxiv.org1w
ABench: Adversariales Benchmark testet 16 LLMs auf kulturelle Wertausrichtung
- FORSCHUNGhuggingface.co1w
Game2Real-Bench: Übertragen sich Spielfähigkeiten auf reales visuelles Schlussfolgern?
Evalatro: Open-Source-Benchmark lässt LLMs das Kartenspiel Balatro spielen
CompaniesDeepSeek
Warum es zählt
Der Benchmark testet strategisches Entscheidungsvermögen von LLMs in einer echten, komplexen Spielumgebung mit reproduzierbaren Seeds und manipulationssicherem Server-Scoring. Nützlich für alle, die LLM-Reasoning jenseits klassischer Text-Evals evaluieren wollen.
— Lumeric Redaktion
Evalatro (Ante reached) · Spitzenwert
5%
mimo-v2.5-pro
Frag die KI zum Artikel
Folgefragen zu Headline, Quelle und Volltext — Antwort streamt in wenigen Sekunden.
Verwandte Beiträge
- FORSCHUNGarxiv.org0mo
Schach-Benchmark für automatische Prompt-Optimierung von LLMs vorgestellt
- FORSCHUNGarxiv.org1w
ABench: Adversariales Benchmark testet 16 LLMs auf kulturelle Wertausrichtung
- FORSCHUNGhuggingface.co1w
Game2Real-Bench: Übertragen sich Spielfähigkeiten auf reales visuelles Schlussfolgern?