**CrucibleBench：基于MUD文本世界的大模型行为评测基准**

_Can a MUD evaluate LLMs? A $99 proof of concept_

> CrucibleBench是一款仅需99美元的概念验证型AI评测工具。它将大语言模型置于持久化的MUD文本世界中，通过NPC记忆、信任积累机制与50回合交互，评估模型的长期规划与社会互动能力。受限的指令空间可有效检测模型幻觉。研究指出，当前依赖LLM裁判的评测方法存在显著不稳定性，甚至能导致模型排名大幅变动，凸显了建立更可靠Agent行为评估标准的重要性。

**来源信息**
- **来源**：Hacker News：AI 热帖
- **分类**：ai-models
- **发布时间**：2026-07-22 23:39（北京时间）
- **原文**：[打开原文](https://cruciblebench.ai/)