TextQuests：大语言模型在基于文本的视频游戏中表现如何？

Hugging Face 发布 TextQuests 基准测试，基于 25 款经典 Infocom 互动小说游戏评估大语言模型作为自主智能体的长上下文推理能力。测试显示，随着上下文窗口超过 100K tokens，模型易出现幻觉及动作重复，且在 Wishbringer 和 Zork I 等需要空间推理的任务中表现不佳。