发布 ChildPlay Benchmark Suite 数据集, 应用在 游戏智能、模型评估 领域

本次发布的数据集 ChildPlay Benchmark Suite, 该数据集包含了一系列游戏，如井字棋、四子棋、战舰和乐高组装等，以及空间推理任务，旨在评估大型语言模型在战略思考和决策能力方面的表现。此外，该数据集还包括了800张图片用于有效性测试，其中一半是有效的构造，另一半是无效的。模型根据提示生成额外的构造，并对其有效性进行评估。该数据集涵盖了多个游戏以及生成的构造和棋盘状态，其规模可用来评估大型语言模型在非语言领域的推理和决策能力。

查看ChildPlay Benchmark Suite

README 内容： 

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。