大型语言模型能掌握复杂纸牌游戏吗？
计算与语言
2025-10-22 v5
摘要
复杂游戏长期以来一直是测试人工智能算法进展的重要基准。AlphaGo、AlphaZero 和 MuZero 在围棋和国际象棋中击败了顶尖人类玩家，引发了社会对人工智能的广泛关注。与此同时，大型语言模型（LLM）在各种任务中展现出卓越能力，引发了 LLM 能否在复杂游戏中取得类似成功的疑问。本文探讨了 LLM 在掌握复杂纸牌游戏方面的潜力。我们系统地评估了 LLM 在八种不同纸牌游戏中的学习能力，评估了在高质量游戏数据上进行微调的影响，并考察了模型在掌握这些游戏时保留通用能力的能力。我们的研究结果表明：（1）LLM 可以通过对高质量数据进行监督微调来接近强游戏 AI 的性能；（2）LLM 可以同时在多种复杂纸牌游戏中达到一定的熟练程度，对于规则相似的游戏存在性能增强，对于规则不相似的游戏则存在冲突；（3）LLM 在掌握复杂游戏时会出现通用能力下降，但通过整合一定量的通用指令数据可以缓解这种下降。评估结果证明了 LLM 具有很强的学习能力和通用性。代码可在 https://github.com/THUDM/LLM4CardGame 获取。
引用
@article{arxiv.2509.01328,
title = {Can Large Language Models Master Complex Card Games?},
author = {Wei Wang and Fuqing Bie and Junzhe Chen and Dan Zhang and Shiyu Huang and Evgeny Kharlamov and Jie Tang},
journal= {arXiv preprint arXiv:2509.01328},
year = {2025}
}
备注
Accepted by NeurIPS 2025