反直觉世界 · 试错学习实验室
Learn2Play Bench（arXiv:2610.08215）——把规则换成从未见过的甚至反常识的，agent 还能不能真的学会
🎮
把规则换成从没见过的、甚至反常识的，agent 还能不能真的学会？
Learn2Play Bench 造了 20 个隐藏规则游戏——包括那条标志性的「偷同事的午餐能让你升职，努力工作不能」。 它问的不是「模型见过多少」，而是「它能不能从经验里真的学到东西，还是只是在调预训练记忆」。 最反直觉的一条：原始交互记录比让模型自己总结规则更好用。
📖 论文值（arXiv:2610.08215 正文 / Table 1）🧮 本站真算（规则引擎 / 香农熵 / 窗口回溯 / z-score 排名）⚠️ 教学版复刻：游戏与交互史是本站按论文规则构造的，不是原版实验· 数据快照日 2026-10-23
诚实性：下面三个小游戏是按论文规则复刻的教学版（⚠️），不是论文那 20 个游戏的 Python 环境， 也没有调用任何模型。Table 1 的数字全部是 📖 论文值；你的行为指标（动作熵 / 重复率 / 恢复次数）是 🧮 浏览器内真算。
🍱 偷午餐升职 · 第 1 / 12 回合⚠️
论文标志性规则：偷同事的午餐能让 你升职，努力工作不能。
你的得分轨迹
点上面任意一个动作开始。反馈是确定性的——同样的动作序列永远给同样的结果。
你的行为指标🧮
动作熵0.000
1 = 每个动作等频地试；越接近 0 说明你越早收敛到一种打法。
重复率0%
1 − 不同动作数 / 总动作数。高 = 你在用同一个动作刷分。
恢复次数
0
掉分后又爬回原水平的次数
当前得分
0
同一局，一个 ε-greedy agent 会怎么玩🧮
⚠️ 教学版策略：ε 随回合指数衰减的贪心。它不代表论文里的任何真实系统，只是给你一个对照基准。
agent 最终得分9
agent 动作熵0.515
agent 重复率75%
agent 恢复次数0
📖
论文真正的题眼在这里：分数最高的模型，不一定是靠经验进步最多的那个。 峰值（Max）与学习增益（LG）是两个轴——见 Tab③。
📄 一手源
How Well Do LLM Agents Learn from Experience in Unfamiliar Environments?
[v1] 2026-10-06 · Li Yibo / Qiu Jinhang / Zheng Zhi / Guo Qianyun / Wu Jiaying / Ji Shuo / Hooi Bryan（Bryan Hooi = NUS）
纠错：二手中文解读普遍写「11 个基座模型」，论文 HTML 正文原文是 “we compare nine models using OpenCode” —— 本页统一用 9。
未调用任何模型。本页所有交互都在浏览器内完成：游戏是教学版规则引擎， agent 对照是 ε-greedy 脚本，排名与上下文判定是本页现算。Table 1 的数字全部为论文值。