arXiv 发布 XiangqiBench：揭示 LLM 智能体在象棋评测中的“闭环决策缺口”

Finding the Move Is Not Winning the Game: XiangqiBench for Closed-Loop Evaluation of LLM Agents 该基准通过中国象棋（Xiangqi）残局任务，揭示了 LLM 智能体静态评估与闭环决策的显著差异。数据显示智能体识别出正确步法的成功率与最终获胜率之间存在巨大鸿沟。该研究提示，只看智能体能否说对下一步会高估其真实能力，闭环可靠性须单独评测。