本文提出了 TEXTGAMES 这一创新的文本谜题游戏基准评测，-20250227060342

本文提出了 TEXTGAMES 这一创新的文本谜题游戏基准评测，揭示了当前大型语言模型在复杂逻辑推理能力上存在的显著不足，并通过多轮交互式评测和对不同模型的对比分析，强调了推理能力的重要性以及自我反思机制对提升模型性能的潜力，并反直觉地发现了 GPT-o3 Mini 在高难度推理任务中推理长度与性能之间的反向扩展现象，为未来 LLM 推理能力的研究和提升提供了新的视角和启示。