文章总结与翻译一、主要内容本文针对现有大语言模型（LLMs）评估基准局限于单步交互、现有序列决策环境复杂且计算成本高的问题，提出了轻量级基准框架与环境LLM-Cave。该环境基于经典的Wumpus World问题，通过文本交互形式，要求模型控制智能体在洞穴网格中，依据 breeze（微风）、stench（恶臭）等间接感官信号推理陷阱和怪兽的位置，最终安全找到黄金，以此评估模型的多步推理与决策能力。研究中还设计了两种核心增强机制：一是推测链（Chain of Speculation），让模型明确生成并迭代更新对环境危险位置的假设，形成结构化推理记忆；二是规划-批评家（Planner-Critic）双角色反馈框架，规划器生成决策，批评家评估决策安全性并提出优化建议。实验对GPT-4o-mini、o1-mini、Claude 3.5、Gemini 2.5 Flash、DeepSeek-R1等主流模型进行了测试，结果显示：DeepSeek-R1在复杂推理任务中成功率最高；较弱模型（如4o-mini）通过上述两种机制显著缩小了性能差距（4o-mini成功率从44%提升至50.67%），但需以增加计算开销为代价；LLM-Cave能有效区分不同模型的推理能力，为LLM评估提供了新的推理导向基准。二、创新点提出轻量级文本交互环境LLM-Cave，专门用于评估LLM的多步推理与决策能力，兼顾部署便捷性与结果可解释性，弥补了现有基准与实际多步决策场景的差距。设计推测链（Chain of Speculation）推理策略，让模型明确生成对危险位置的 LLM-Cave: A benchmark and light environment for large language models reasoning and decision-maki...
文章总结与翻译一、主要内容本文针对现有大语言模型（LLMs）评估基准局限于单步交互、现有序列决策环境复杂且计算成本高的问题，提出了轻量级基准框架与环境LLM-Cave。该环境基于经典的Wumpus World问题，通过文本交互形式，要求模型控制智能体在洞穴网格中，依据 breeze（微风）、stench（恶臭）等间接感官信号推理陷阱和怪兽的位置，最终安全找到黄金，以此评估模型的多步推理与决策能力。研究中还设计了两种核心增强机制：一是推测链（Chain of Speculation），让模型明确生成并迭代更新对环境危险位置的假设，形成结构化推理记忆；二是规划-批评家（Planner-Critic）双角色反馈框架，规划器生成决策，批评家评估决策安全性并提出优化建议。实验对GPT-4o-mini、o1-mini、Claude 3.5、Gemini 2.5 Flash、DeepSeek-R1等主流模型进行了测试，结果显示：DeepSeek-R1在复杂推理任务中成功率最高；较弱模型（如4o-mini）通过上述两种机制显著缩小了性能差距（4o-mini成功率从44%提升至50.67%），但需以增加计算开销为代价；LLM-Cave能有效区分不同模型的推理能力，为LLM评估提供了新的推理导向基准。二、创新点提出轻量级文本交互环境LLM-Cave，专门用于评估LLM的多步推理与决策能力，兼顾部署便捷性与结果可解释性，弥补了现有基准与实际多步决策场景的差距。设计推测链（Chain of Speculation）推理策略，让模型明确生成对危险位置的