Environment Duels：评估 LLM 出题与解题双重能力的动态基准

arXiv 论文提出 Environment Duels，一个动态智能体基准，让模型同时担任环境的作者和解题者。每个模型编写带特权提示的交互环境，目标是设计出解题者没有提示时失败、有提示时通过的任务。在九个前沿 LLM 上的测试显示，解题与出题是两种不同能力，最强的解题者并非最强的出题者。较小的模型从其他模型的对局记录中学习更多，并写出最难的环境和最有用的提示。论文还用 Qwen3.8-27B 做强化学习实验，发现提示带来的提升与在相应环境上训练后的held-out基准改善相关。