知识卡片：面向多样化欧式桌游的 LLM 智能体统一竞技场

一句话结论

DECE 提出一个覆盖十款欧式桌游、共享接口与评估协议的统一竞技场，用于比较完整 LLM 智能体配置（模型 + 执行框架）的跨游戏竞争表现与资源代价；具体数值结果与实现细节待核实。

事件概述或研究问题

该研究关注：现有 LLM 智能体评估多局限于单一游戏或单一执行框架，难以判断哪些竞争优势能跨设置持续存在。DECE 试图用统一环境回答“同一模型/配置在不同游戏与不同执行框架下表现是否一致”这一问题。以上基于摘要与元数据，正文细节待核实。

方法/产品要点

• 环境：DECE（Diverse Eurogame Competitive Environments），覆盖十款 Eurogame，提供共享接口与统一评估协议。
• 游戏特征：包含长期战略承诺、共享资源竞争、多条胜利路径。
• 主研究：评估 12 种“模型—执行框架”配置，涵盖 9 个模型与 4 种执行框架，在十款游戏中进行 480 场三人对局。
• 总规模：主研究与补充研究合计 1,032 场完成对局。
• 对比维度：跨游戏竞争排名、执行框架差异、token/成本效率。
• 具体模型清单、框架名称、实现与统计方法待核实。

主要结果或产业意义

• 跨游戏排名总体呈现广泛一致性，同时存在游戏特定优势。
• 匹配研究表明同一模型在不同执行框架下表现可能不同，执行框架是额外变异来源。
• 竞争表现优势并不稳定转化为更好的 token 或成本效率，资源使用应作为配置比较的另一维度。
• 结论支持以“跨游戏竞争表现 + 所需资源”共同评估完整智能体配置。
• 具体效应量、显著性检验与排行榜细节待核实。

为什么重要

把评估单位从“模型”扩展到“模型 + 执行框架”的完整配置，并同时考察性能与成本，有助于避免仅凭单游戏或单框架结论做选型。与既有基准类卡片（如 MM-ToolSandBox、AgentHPOBench）相比，本条增量在于：以多款 Eurogame 的竞争性对局为统一测试床，并显式引入执行框架差异与资源效率作为比较维度；具体与这些基准的重叠或互补关系待核实。

局限与不确定性

• 正文未能抓取，方法细节、结果数值、统计口径与复现材料均待核实。
• 仅基于摘要与元数据，无法确认十款游戏名单、12 种配置的具体构成、对局协议与评分规则。
• 三人对局与 Eurogame 设定对现实任务的external validity待核实。
• 成本效率的度量方式（token 计价、时间、API 成本等）待核实。

可用于图书/PPT/简报的角度

• “评估对象升级”：从单模型评测转向完整智能体配置评测。
• “执行框架是隐藏变量”：同一模型换框架表现漂移，提示工程与运行时同样重要。
• “性能不等于效率”：竞争排名与 token/成本效率不一致，选型需双轴权衡。
• “统一竞技场”方法论：共享接口 + 统一协议如何提升跨环境可比性。
• 引用时请标注为基于摘要的草稿，具体数据待正文核实。

与既有脉络的关系

本条延续“LLM 智能体基准/评估框架”脉络，增量在于多游戏竞争环境、执行框架变异与资源效率三者的联合考察；与 MM-ToolSandBox（视觉工具调用）、AgentHPOBench（序贯超参优化）、MemLens（内存管理）在评估对象与任务形态上不同，不重复其事实陈述。具体差异与可比性待核实。

原始材料

• 标题：A Unified Arena for LLM Agents across Diverse Eurogame
• 来源：arXiv
• URL：https://arxiv.org/abs/2610.35773v1
• Track：academic
• Topics：foundation-model
• 备注：正文未能抓取，本卡片仅基于已知元数据与摘要生成，标注“待核实”处需回原文确认。